MemEvolve: Meta-Evolução de Sistemas de Memória 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
Resumo
Os sistemas de memória de auto-evolução estão a remodelar de forma sem precedentes o paradigma evolutivo dos agentes baseados em modelos de linguagem de grande escala (LLM). Trabalhos anteriores basearam-se predominantemente em arquiteturas de memória manualmente concebidas para armazenar trajetórias, destilar experiências e sintetizar ferramentas reutilizáveis, permitindo que os agentes evoluam dinamicamente durante as interações com o ambiente. No entanto, este paradigma está fundamentalmente limitado pela estaticidade do próprio sistema de memória: embora a memória facilite a evolução a nível do agente, a arquitetura de memória subjacente não pode ser meta-adaptada a diversos contextos de tarefas. Para colmatar esta lacuna, propomos o MemEvolve, um quadro meta-evolutivo que evolui conjuntamente o conhecimento experiencial dos agentes e a sua arquitetura de memória, permitindo que os sistemas de agentes não só acumulem experiência, mas também aperfeiçoem progressivamente a forma como aprendem com ela. Para fundamentar o MemEvolve em investigação prévia e fomentar a abertura em futuros sistemas de auto-evolução, introduzimos o EvolveLab, uma base de código unificada de memória auto-evolutiva que destila doze sistemas de memória representativos num espaço de design modular (codificar, armazenar, recuperar, gerir), fornecendo tanto um substrato de implementação padronizado como uma arena experimental justa. Avaliações extensas em quatro benchmarks desafiadores de agentes demonstram que o MemEvolve alcança (I) ganhos substanciais de desempenho, melhorando quadros como o SmolAgent e o Flash-Searcher em até 17,06%; e (II) forte generalização cruzada entre tarefas e LLMs, projetando arquiteturas de memória que transferem eficazmente entre diversos benchmarks e modelos de 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.