MemMA: Coordinando o Ciclo de Memória por meio de Raciocínio Multiagente e Autoevolução In Situ
MemMA: Coordinating the Memory Cycle through Multi-Agent Reasoning and In-Situ Self-Evolution
March 19, 2026
Autores: Minhua Lin, Zhiwei Zhang, Hanqing Lu, Hui Liu, Xianfeng Tang, Qi He, Xiang Zhang, Suhang Wang
cs.AI
Resumo
Os agentes de LLM aumentados por memória mantêm bancos de memória externos para suportar interações de longo horizonte, porém a maioria dos sistemas existentes trata a construção, recuperação e utilização como sub-rotinas isoladas. Isso cria dois desafios acoplados: cegueira estratégica no caminho direto do ciclo de memória, onde a construção e recuperação são orientadas por heurísticas locais em vez de raciocínio estratégico explícito, e supervisão esparsa e atrasada no caminho reverso, onde falhas posteriores raramente se traduzem em reparos diretos do banco de memória. Para enfrentar esses desafios, propomos o MemMA, uma estrutura multiagente plug-and-play que coordena o ciclo de memória ao longo dos caminhos direto e reverso. No caminho direto, um Meta-Pensador produz orientação estruturada que direciona um Gerenciador de Memória durante a construção e orienta um Raciocinador de Consultas durante a recuperação iterativa. No caminho reverso, o MemMA introduz uma construção de memória de auto-evolução in-situ, que sintetiza pares de perguntas-respostas de sondagem, verifica a memória atual e converte falhas em ações de reparo antes que a memória seja finalizada. Experimentos extensivos no LoCoMo mostram que o MemMA supera consistentemente as linhas de base existentes em múltiplos modelos de LLM e melhora três diferentes backends de armazenamento de maneira plug-and-play. Nosso código está publicamente disponível em 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.