跳转至

Towards Autonomous Memory Agents

论文概述

核心问题：现有记忆代理是被动响应的——记忆增长受限于恰好可用的信息，记忆代理很少在不确定时主动寻求外部输入。

解决思路：提出自主记忆代理（Autonomous Memory Agents），能以最小成本主动获取、验证和整理知识。U-Mem 是这一理念的具体实现。

核心贡献

  1. 成本感知知识提取级联（Cost-Aware Knowledge-Extraction Cascade）

  2. 从廉价 self/teacher 信号逐级升级到工具验证的研究，仅在必要时寻求专家反馈

  3. 语义感知 Thompson 采样

  4. 平衡记忆的探索与利用，缓解冷启动偏差

  5. SOTA 性能：在 HotpotQA（Qwen2.5-7B）上提升 14.6 分，AIME25（Gemini-2.5-flash）上提升 7.33 分，超越 RL 基优化方法

为什么重要

  • 首次将主动知识获取引入记忆代理，记忆增长不再受限于"恰好可用"
  • 成本感知的设计适合真实部署场景

与端侧/移动端相关性

  1. 成本感知设计：级联式获取策略天然适合端侧的带宽/计算资源受限场景
  2. 无需训练：基于 LLM 的知识提取和 Thompson 采样，可在轻量模型上运行