MemEvolve: Meta-evolutie van Agentgeheugensystemen
MemEvolve: Meta-Evolution of Agent Memory Systems
December 21, 2025
Auteurs: Guibin Zhang, Haotian Ren, Chong Zhan, Zhenhong Zhou, Junhao Wang, He Zhu, Wangchunshu Zhou, Shuicheng Yan
cs.AI
Samenvatting
Zelf-evoluerende geheugensystemen hertekenen op ongekende wijze het evolutionaire paradigma van op grote taalmodel (LLM) gebaseerde agents. Eerdere werkzaamheden vertrouwden voornamelijk op handmatig ontworpen geheugenarchitecturen om trajecten op te slaan, ervaring te destilleren en herbruikbare tools te synthetiseren, waardoor agents tijdens omgevingsinteracties dynamisch kunnen evolueren. Dit paradigma wordt echter fundamenteel beperkt door de staticiteit van het geheugensysteem zelf: hoewel geheugen evolutie op agentniveau faciliteert, kan de onderliggende geheugenarchitectuur niet worden mee-afgestemd op diverse taakcontexten. Om deze kloof te dichten, stellen we MemEvolve voor, een meta-evolutionair raamwerk dat zowel de ervaringskennis van agents als hun geheugenarchitectuur gezamenlijk doet evolueren, zodat agentsystemen niet alleen ervaring accumuleren maar ook geleidelijk verfijnen hoe ze ervan leren. Om MemEvolve in eerder onderzoek te verankeren en openheid in toekomstige zelf-evoluerende systemen te bevorderen, introduceren we EvolveLab, een uniforme codebase voor zelf-evoluerend geheugen die twaalf representatieve geheugensystemen destilleert tot een modulaire ontwerpruimte (coderen, opslaan, ophalen, beheren), en zowel een gestandaardiseerd implementatiesubstraat als een eerlijke experimentele arena biedt. Uitgebreide evaluaties op vier uitdagende agent-gebaseerde benchmarks tonen aan dat MemEvolve (I) substantiële prestatieverbeteringen bereikt, met verbeteringen van frameworks zoals SmolAgent en Flash-Searcher tot 17,06%; en (II) sterke generalisatie over taken en LLM's heen vertoont, door geheugenarchitecturen te ontwerpen die effectief transfereren over diverse benchmarks en backbone-modellen.
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.