MemMA: Coördinatie van de Geheugencyclus via Multi-Agent Redeneren en In-Situ Zelf-Evolutie

Samenvatting

Geheugen-versterkte LLM-agenten onderhouden externe geheugenbanken om langdurige interactie te ondersteunen, maar de meeste bestaande systemen behandelen constructie, retrieval en gebruik als geïsoleerde subroutines. Dit creëert twee gekoppelde uitdagingen: strategische blindheid op het voorwaartse pad van de geheugencyclus, waar constructie en retrieval worden aangedreven door lokale heuristieken in plaats van expliciete strategische redenering, en sporadische, vertraagde supervisie op het achterwaartse pad, waar downstream-fouten zelden vertalen naar directe reparaties van de geheugenbank. Om deze uitdagingen aan te pakken, stellen we MemMA voor, een plug-and-play multi-agentframework dat de geheugencyclus coördineert langs zowel het voorwaartse als achterwaartse pad. Op het voorwaartse pad produceert een Meta-Denker gestructureerde richtlijnen die een Geheugenbeheerder stuurt tijdens constructie en een Query-Redeneerder aanstuurt tijdens iteratieve retrieval. Op het achterwaartse pad introduceert MemMA in-situ zelf-evoluerende geheugenconstructie, die probeer-VA-paren synthetiseert, het huidige geheugen verifieert en fouten omzet in reparatie-acties voordat het geheugen wordt gefinaliseerd. Uitgebreide experimenten op LoCoMo tonen aan dat MemMA consistent beter presteert dan bestaande baseline-methoden over meerdere LLM-backbones heen en drie verschillende opslagbackends verbetert op een plug-and-play-manier. Onze code is publiekelijk beschikbaar op https://github.com/ventr1c/memma.

English

Memory-augmented LLM agents maintain external memory banks to support long-horizon interaction, yet most existing systems treat construction, retrieval, and utilization as isolated subroutines. This creates two coupled challenges: strategic blindness on the forward path of the memory cycle, where construction and retrieval are driven by local heuristics rather than explicit strategic reasoning, and sparse, delayed supervision on the backward path, where downstream failures rarely translate into direct repairs of the memory bank. To address these challenges, we propose MemMA, a plug-and-play multi-agent framework that coordinates the memory cycle along both the forward and backward paths. On the forward path, a Meta-Thinker produces structured guidance that steers a Memory Manager during construction and directs a Query Reasoner during iterative retrieval. On the backward path, MemMA introduces in-situ self-evolving memory construction, which synthesizes probe QA pairs, verifies the current memory, and converts failures into repair actions before the memory is finalized. Extensive experiments on LoCoMo show that MemMA consistently outperforms existing baselines across multiple LLM backbones and improves three different storage backends in a plug-and-play manner. Our code is publicly available at https://github.com/ventr1c/memma.