每日论文

记忆对于人工智能代理至关重要，然而广泛采用的静态记忆机制，旨在预先创建随时可用的记忆，不可避免地会遭受严重的信息损失。为解决这一局限，我们提出了一种名为通用代理记忆（GAM）的新框架。GAM遵循“即时编译（JIT）”原则，在运行时专注于为其客户端创建优化的上下文，同时在离线阶段仅保留简单但有用的记忆。为此，GAM采用了一种双组件设计，包括：1）记忆器，通过轻量级记忆突出关键历史信息，同时在通用页面存储中维护完整的历史信息；2）研究者，在预构建记忆的指导下，从页面存储中检索并整合有用信息以响应在线请求。这一设计使GAM能够有效利用前沿大语言模型（LLMs）的代理能力和测试时扩展性，同时通过强化学习促进端到端性能优化。在我们的实验研究中，我们展示了GAM在各种基于记忆的任务完成场景中，相较于现有记忆系统，实现了显著的性能提升。