EvolveMem: Arquitetura de Memória Auto-Evolutiva via AutoPesquisa para Agentes LLM

Resumo

A memória de longo prazo é essencial para agentes de LLM que operam em múltiplas sessões, no entanto, os sistemas de memória existentes tratam a infraestrutura de recuperação como fixa: o conteúdo armazenado evolui, enquanto funções de pontuação, estratégias de fusão e políticas de geração de respostas permanecem congeladas na implantação. Argumentamos que uma memória verdadeiramente adaptativa requer coevolução em dois níveis: o conhecimento armazenado e o mecanismo de recuperação que o consulta. Apresentamos o EvolveMem, uma arquitetura de memória auto-evolutiva que expõe toda a sua configuração de recuperação como um espaço de ações estruturado, otimizado por um módulo de diagnóstico baseado em LLM. Em cada rodada de evolução, o módulo lê registros de falhas por pergunta, identifica causas raiz e propõe ajustes direcionados na configuração; um meta-analisador com proteção aplica esses ajustes com salvaguardas automáticas de reversão em caso de regressão e exploração em caso de estagnação. Essa autoevolução em malha fechada realiza um processo de AutoPesquisa: o sistema conduz autonomamente ciclos iterativos de pesquisa sobre sua própria arquitetura, substituindo o ajuste manual de configuração. Partindo de uma linha de base mínima, o processo converge autonomamente, descobrindo estratégias eficazes de recuperação, incluindo dimensões de configuração inteiramente novas, ausentes no espaço de ações original. No LoCoMo, o EvolveMem supera a linha de base mais forte em 25,7% relativos e alcança uma melhoria relativa de 78,0% sobre a linha de base mínima. No MemBench, o EvolveMem excede a linha de base mais forte em 18,9% relativos. As configurações evoluídas transferem-se entre benchmarks com transferência positiva, e não catastrófica, indicando que o processo de autoevolução captura princípios universais de recuperação, em vez de heurísticas específicas de benchmark. O código está disponível em 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.