NanoResearch: Personalized Research with Co-Evolving Memory — arXiv:2605.10813

论文基本信息¶

标题: NanoResearch: Co-Evolving Skills, Memory, and Policy for Personalized Research Automation
arXiv ID: 2605.10813
发表日期: 2026-05-11
作者: Jinhang Xu, Qiyuan Zhu, Yujun Wu, Zirui Wang, Dongxu Zhang
方向: 记忆检索 / 记忆隐私
类别: cs.AI

摘要¶

LLM 多智能体系统已能自动化从构思到论文写作的完整研究流程，但一个根本问题尚未解决：自动化是为谁服务的？研究者拥有不同的资源配置、方法论偏好和目标输出格式。生成统一输出的系统会系统性地亏待每位用户，使个性化成为研究自动化真正可用的前提。然而实现这一点需要三种当前系统缺乏的能力：跨项目积累可重用程序知识、跨会话保留用户特定经验、以及内化抗拒显式形式化的隐式偏好。本文提出 NanoResearch，通过三级协同进化解决这些差距。技能库将重复操作提炼为跨项目可重用的紧凑程序规则。记忆模块维护用户和项目特定的经验，使规划决策根植于每个用户的研究历史。无标签策略学习将自由形式反馈转化为规划器参数的持续更新，重塑后续协调。三层协同进化：可靠技能产生更丰富记忆，更丰富记忆支撑更好规划，偏好内化持续将闭环重对齐到每位用户。广泛实验表明 NanoResearch 在研究任务上相比现有 AI 研究系统有实质性提升，并在连续周期中以更低成本持续改进。

核心贡献¶

三级协同进化架构：技能库、记忆模块、无标签策略学习三层协同，每层为其他层提供输入
技能库：跨项目积累可重用程序知识，将重复操作提炼为紧凑规则
记忆模块：维护用户和项目特定经验，根植于研究历史指导规划
无标签策略学习：将自由形式反馈转化为持续参数更新，无需显式偏好标签
持续自改进：实验证明系统在连续周期中以更低成本持续产生更好的研究成果

为什么重要¶

个性化是 AI 助手真正可用的前提。本文提出的三级架构将记忆系统分解为不同层次，每层处理不同类型的个性化信息：程序性知识（技能）、经验性知识（记忆）、偏好性知识（策略）。这种分解对端侧 Agent 的记忆系统设计有重要参考价值——不同类型的记忆需要不同的存储和检索机制。

与端侧/移动端的相关性¶

隐私优先：用户研究历史和偏好保留在本地，符合端侧隐私要求
个性化记忆：用户特定经验的积累对移动端个人助手有直接应用
技能可迁移性：跨任务/跨项目的技能迁移减少端侧存储开销
无标签学习：无需用户显式标注偏好，降低使用门槛并保护隐私
持续自改进：适合长期使用的移动端场景，越用越个性化

参考文献¶

本文参考文献待从原文补充。