MemEvolve: Meta-Evolución de Sistemas de Memoria de Agentes
MemEvolve: Meta-Evolution of Agent Memory Systems
December 21, 2025
Autores: Guibin Zhang, Haotian Ren, Chong Zhan, Zhenhong Zhou, Junhao Wang, He Zhu, Wangchunshu Zhou, Shuicheng Yan
cs.AI
Resumen
Los sistemas de memoria de auto-evolución están reconfigurando de manera sin precedentes el paradigma evolutivo de los agentes basados en modelos de lenguaje grande (LLM). Trabajos anteriores han dependido predominantemente de arquitecturas de memoria diseñadas manualmente para almacenar trayectorias, destilar experiencias y sintetizar herramientas reutilizables, permitiendo que los agentes evolucionen sobre la marcha dentro de las interacciones del entorno. Sin embargo, este paradigma está fundamentalmente limitado por la estaticidad del propio sistema de memoria: mientras que la memoria facilita la evolución a nivel de agente, la arquitectura de memoria subyacente no puede meta-adaptarse a diversos contextos de tarea. Para abordar esta brecha, proponemos MemEvolve, un marco meta-evolutivo que evoluciona conjuntamente el conocimiento experiencial de los agentes y su arquitectura de memoria, permitiendo que los sistemas de agentes no solo acumulen experiencia, sino que también refinen progresivamente cómo aprenden de ella. Para fundamentar MemEvolve en investigaciones previas y fomentar la apertura en futuros sistemas auto-evolutivos, presentamos EvolveLab, una base de código unificada de memoria auto-evolutiva que destila doce sistemas de memoria representativos en un espacio de diseño modular (codificar, almacenar, recuperar, gestionar), proporcionando tanto un sustrato de implementación estandarizado como un campo experimental equitativo. Evaluaciones exhaustivas en cuatro benchmarks desafiantes de agentes demuestran que MemEvolve logra (I) ganancias sustanciales de rendimiento, mejorando marcos como SmolAgent y Flash-Searcher hasta en un 17.06%; y (II) una fuerte generalización cruzada entre tareas y modelos LLM, diseñando arquitecturas de memoria que se transfieren efectivamente a través de diversos benchmarks y modelos base.
English
Self-evolving memory systems are unprecedentedly reshaping the evolutionary paradigm of large language model (LLM)-based agents. Prior work has predominantly relied on manually engineered memory architectures to store trajectories, distill experience, and synthesize reusable tools, enabling agents to evolve on the fly within environment interactions. However, this paradigm is fundamentally constrained by the staticity of the memory system itself: while memory facilitates agent-level evolving, the underlying memory architecture cannot be meta-adapted to diverse task contexts. To address this gap, we propose MemEvolve, a meta-evolutionary framework that jointly evolves agents' experiential knowledge and their memory architecture, allowing agent systems not only to accumulate experience but also to progressively refine how they learn from it. To ground MemEvolve in prior research and foster openness in future self-evolving systems, we introduce EvolveLab, a unified self-evolving memory codebase that distills twelve representative memory systems into a modular design space (encode, store, retrieve, manage), providing both a standardized implementation substrate and a fair experimental arena. Extensive evaluations on four challenging agentic benchmarks demonstrate that MemEvolve achieves (I) substantial performance gains, improving frameworks such as SmolAgent and Flash-Searcher by up to 17.06%; and (II) strong cross-task and cross-LLM generalization, designing memory architectures that transfer effectively across diverse benchmarks and backbone models.