跳转至

EvolveMem: Self-Evolving Memory Architecture — arXiv:2605.13941

摘要

长期记忆对跨多会话操作的 LLM Agent 至关重要，但现有记忆系统将检索基础设施视为固定的：存储内容在演化，而评分函数、融合策略和答案生成策略在部署时却保持冻结。本文认为，真正自适应记忆需要在两个层面协同演化：存储的知识和查询它的检索机制。本文提出 EvolveMem，一个自演化记忆架构，将其完整内部状态（索引结构、检索策略、融合权重）暴露给 AutoResearch 框架，实现记忆系统与检索策略的协同进化。

核心贡献

  1. 自演化记忆架构：将记忆的索引结构、评分函数、融合策略全部参数化，通过元学习实现自动优化。
  2. 记忆-检索协同进化：不只是更新存储内容，还根据检索效果反馈调整检索策略本身。
  3. AutoResearch 集成：利用自动研究框架发现新的记忆组织策略，而非手工设计检索 pipeline。
  4. 跨域适应实验：在多个领域（邮件、日历、文档）验证自演化记忆的有效性，显著优于固定检索策略。

为什么重要

这是首个将"记忆系统本身也需要适应"作为核心问题的研究。传统记忆系统假设检索策略一旦设计好就固定，而 EvolveMem 证明记忆内容和检索机制的协同进化能带来显著性能提升，对构建真正智能的自适应记忆系统具有范式意义。

与移动端/端侧的相关性

端侧 Agent 的使用模式随时间和场景变化，固定的检索策略难以适应。EvolveMem 的自适应机制可根据用户行为习惯自动调整记忆优先级，在端侧资源约束下实现更高效的检索。