EvolveMem: Arquitectura de Memoria Auto-Evolutiva mediante Autoinvestigación para Agentes de LLM

Resumen

La memoria a largo plazo es esencial para los agentes LLM que operan a través de múltiples sesiones; sin embargo, los sistemas de memoria existentes tratan la infraestructura de recuperación como fija: el contenido almacenado evoluciona, mientras que las funciones de puntuación, las estrategias de fusión y las políticas de generación de respuestas permanecen inalterables desde el despliegue. Sostenemos que una memoria verdaderamente adaptativa requiere coevolución en dos niveles: el conocimiento almacenado y el mecanismo de recuperación que lo consulta. Presentamos EvolveMem, una arquitectura de memoria autoevolutiva que expone su configuración de recuperación completa como un espacio de acción estructurado optimizado por un módulo de diagnóstico impulsado por LLM. En cada ronda de evolución, el módulo lee los registros de fallos por pregunta, identifica las causas raíz y propone ajustes de configuración dirigidos; un meta-analizador con protección los aplica con salvaguardas automáticas de reversión ante regresión y exploración ante estancamiento. Esta autoevolución en bucle cerrado materializa un proceso AutoResearch: el sistema realiza de forma autónoma ciclos de investigación iterativos sobre su propia arquitectura, reemplazando el ajuste manual de configuración. Partiendo de una línea base mínima, el proceso converge de forma autónoma, descubriendo estrategias de recuperación eficaces que incluyen dimensiones de configuración completamente nuevas, no presentes en el espacio de acción original. En LoCoMo, EvolveMem supera a la línea base más fuerte en un 25,7% relativo y logra una mejora relativa del 78,0% sobre la línea base mínima. En MemBench, EvolveMem supera a la línea base más fuerte en un 18,9% relativo. Las configuraciones evolucionadas se transfieren entre conjuntos de datos de referencia con transferencia positiva, no catastrófica, lo que indica que el proceso de autoevolución captura principios universales de recuperación, en lugar de heurísticas específicas de cada conjunto. El código está disponible en https://github.com/aiming-lab/SimpleMem.

English

Long-term memory is essential for LLM agents that operate across multiple sessions, yet existing memory systems treat retrieval infrastructure as fixed: stored content evolves while scoring functions, fusion strategies, and answer-generation policies remain frozen at deployment. We argue that truly adaptive memory requires co-evolution at two levels: the stored knowledge and the retrieval mechanism that queries it. We present EvolveMem, a self-evolving memory architecture that exposes its full retrieval configuration as a structured action space optimized by an LLM-powered diagnosis module. In each evolution round, the module reads per-question failure logs, identifies root causes, and proposes targeted configuration adjustments; a guarded meta-analyzer applies them with automatic revert-on-regression and explore-on-stagnation safeguards. This closed-loop self-evolution realizes an AutoResearch process: the system autonomously conducts iterative research cycles on its own architecture, replacing manual configuration tuning. Starting from a minimal baseline, the process converges autonomously, discovering effective retrieval strategies including entirely new configuration dimensions not present in the original action space. On LoCoMo, EvolveMem outperforms the strongest baseline by 25.7% relative and achieves a 78.0% relative improvement over the minimal baseline. On MemBench, EvolveMem exceeds the strongest baseline by 18.9% relative. Evolved configurations transfer across benchmarks with positive rather than catastrophic transfer, indicating that the self-evolution process captures universal retrieval principles rather than benchmark-specific heuristics. Code is available at https://github.com/aiming-lab/SimpleMem.