摘要¶
自我进化多智能体系统（MAS）已成为LLM Agent持续从经验中改进的有前景路径，其基础是持久记忆。然而，现有设计几乎无一例外地采用跨智能体集中式存储库，造成通信和协调开销、隐私问题以及智能体多样性丧失。本文提出 DecentMem，一种去中心化记忆框架，其中每个智能体维护自己的双池记忆——一个利用池（consolidation后的过去轨迹）和一个探索池（LLM为未见上下文生成的候选）。两个池基于LLM-as-a-judge的阶段反馈在线重新加权。理论上证明了该设计保证解空间的全局可达性并达到O(log T)累积遗憾，在随机 bandit 下界仅差常数。实际方面，在AutoGen、DyLAN、AgentNet三个MAS框架，Qwen3（4B/8B/14B）和Gemma4（E2B/E4B）两个骨干，涵盖数学、代码、QA和具身任务的五个基准上，DecentMem相比最强集中式记忆基线平均准确率提升23.8%，相比无记忆基线提升52.5%，同时减少49%的token使用。
核心贡献¶
- 去中心化双池记忆：每个智能体独立维护利用池（过去轨迹）和探索池（LLM生成候选），避免集中式存储的瓶颈
- LLM-as-a-Judge在线重加权：基于阶段反馈动态调整两池权重，平衡探索与利用
- 理论保证：证明全局可达性和O(log T)累积遗憾下界
- 多框架验证：在AutoGen、DyLAN、AgentNet均显著提升，token消耗降低49%
为什么重要¶
多智能体系统的记忆设计长期被集中式架构主导，导致单点故障、隐私泄露和通信开销。DecentMem通过去中心化设计重新定义了多智能体记忆的范式，每个智能体成为真正自主的记忆体。这对移动端多智能体协作（多设备协同）具有重要参考价值。
与移动端/端侧相关性¶
- 隐私保护：记忆不集中存储，单设备数据不出本地，符合端侧隐私要求
- 降低通信：无需广播共享记忆，减少设备间通信开销
- 去中心化架构：适合多设备（手机+手表+耳机）协同的移动端场景
参考文献¶
（参考文献待从原文补充）