MemEvolve: Метаэволюция систем памяти агентов
MemEvolve: Meta-Evolution of Agent Memory Systems
December 21, 2025
Авторы: Guibin Zhang, Haotian Ren, Chong Zhan, Zhenhong Zhou, Junhao Wang, He Zhu, Wangchunshu Zhou, Shuicheng Yan
cs.AI
Аннотация
Системы саморазвивающейся памяти беспрецедентно преобразуют эволюционную парадигму агентов на основе больших языковых моделей (LLM). Предыдущие работы в основном опирались на ручную разработку архитектур памяти для хранения траекторий, обобщения опыта и синтеза повторно используемых инструментов, что позволяло агентам эволюционировать в процессе взаимодействия со средой. Однако эта парадигма фундаментально ограничена статичностью самой системы памяти: хотя память способствует эволюции на уровне агента, базовая архитектура памяти не может быть мета-адаптирована к разнообразным контекстам задач. Для преодоления этого разрыва мы предлагаем MemEvolve — мета-эволюционный фреймворк, который совместно развивает опытные знания агентов и их архитектуру памяти, позволяя системам агентов не только накапливать опыт, но и постепенно совершенствовать методы его усвоения. Чтобы обосновать MemEvolve в предыдущих исследованиях и способствовать открытости будущих саморазвивающихся систем, мы представляем EvolveLab — унифицированную кодобазу саморазвивающейся памяти, которая обобщает двенадцать репрезентативных систем памяти в модульное пространство проектирования (кодирование, хранение, извлечение, управление), предоставляя как стандартизированную основу для реализации, так и справедливую экспериментальную среду. Обширные оценки на четырех сложных агентных бенчмарках демонстрируют, что MemEvolve достигает (I) существенного прироста производительности, улучшая такие фреймворки, как SmolAgent и Flash-Searcher, до 17.06%; и (II) сильной кросс-задачной и кросс-LLM обобщающей способности, проектируя архитектуры памяти, которые эффективно переносятся на различные бенчмарки и базовые модели.
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.