title: "MEMRES: A Memory-Augmented Resolver with Confidence Cascade for Agentic Python Dependency Resolution" arXiv: "2604.16941" date: "2026-04-18" tags: [agent-memory, memory-retrieval, agentic-software, memory-augmented] reviewer: auto source: arXiv ti: search

MEMRES: A Memory-Augmented Resolver with Confidence Cascade for Agentic Python Dependency Resolution¶

论文基本信息¶

arXiv ID: 2604.16941
发表日期: 2026-04-18
作者: Dao Sy Duy Minh, Tran Chi Nguyen, Trung Kiet Huynh, Pham Phu Hoa, Nguyen Lam Phu Quy
类别: cs.SE (Software Engineering)
来源: arXiv ti: search

摘要¶

本文提出 MEMRES，一个用于 Python 依赖解决的智能体系统，引入多层置信级联机制，LLM 作为最后手段。MEMRES 整合了： 1. 自演化记忆（Self-Evolving Memory）：通过技巧和捷径积累可复用的解决模式 2. 错误模式知识库（Error Pattern Knowledge Base）：200+ 精心整理的 import-to-package 映射 3. 语义导入分析器（Semantic Import Analyzer） 4. Python 2 启发式检测器：解决最大失败类别

在 HG2.9K 数据集上使用 Gemma-2 9B（10GB VRAM），MEMRES 解决了 2503/2890 个 snippet（86.6%，10次平均），远超 PLLM 的 54.7% 整体成功率。

核心贡献¶

自演化记忆（Self-Evolving Memory）：跨会话积累 Python 依赖解决模式，越用越准
置信级联架构：记忆检索 → 知识库查询 → 语义分析 → LLM 的分层决策链
200+ 错误模式知识库：覆盖常见 import-to-package 对，降低推理成本
端侧友好设计：仅需 10GB VRAM，适合边缘部署

为什么重要¶

MEMRES 代表了"记忆作为智能体能力放大器"的有效实践。与让 LLM 从零推理不同，MEMRES 将历史成功经验结构化存储，逐级降级至 LLM——这正是记忆系统应该做的事：让简单问题用记忆解决，复杂问题才调用 LLM。

与移动端/端侧的相关性¶

MEMRES 的端侧友好设计（10GB VRAM 可运行）和自演化记忆机制对移动端记忆系统有直接参考价值： - 增量记忆积累：设备上的个人助手可通过持续使用积累专属知识库 - 分级检索策略：减少对云端 LLM 的依赖，提升响应速度和隐私保护 - 领域特定记忆：针对移动端高频场景（日程、通讯、位置等）的专业化记忆模板

参考文献¶

（详见原论文）