G-Memory：多智能体系统的层次化记忆追踪
最优化与控制
2025-06-10 v1
摘要
大型语言模型 (LLM) 驱动的多智能体系统 (MAS) 已展现出远超单个 LLM 智能体的认知与执行能力，但其自我演化能力受限于记忆架构的不成熟。深入检查后，我们惊讶地发现，现有的 MAS 记忆机制 (1) 过于简单，完全不考虑细致的智能体协作轨迹；(2) lacks 跨试验和智能体特定的定制化，与为单个智能体开发的富有表现力的记忆形成鲜明对比。在此基础上，我们引入 G-Memory，一种受组织记忆理论启发的 MAS 的层次化、智能体化记忆系统，通过三级图层次管理 MAS 长期交互：洞察图、查询图和交互图。当接收到新的用户查询时，G-Memory 执行双向记忆遍历，以检索能够实现跨试验知识积累的“高层次、可泛化洞察”，以及紧凑编码先前协作经验的“细粒度、浓缩交互轨迹”。在任务执行后，整个层次结构通过吸收新的协作轨迹来演化，培育智能体团队的渐进性发展。广泛实验在五个基准、三个 LLM 主干模型和三个流行 MAS 框架中表明，G-Memory 在具身动作成功率和知识 QA 准确率分别提升最高可达 和 ，无需对原始框架进行任何修改。我们的代码已公开于 https://github.com/bingreeky/GMemory。
引用
@article{arxiv.2506.07397,
title = {Doubly Smoothed Optimistic Gradients: A Universal Approach for Smooth Minimax Problems},
author = {Taoli Zheng and Anthony Man-Cho So and Jiajin Li},
journal= {arXiv preprint arXiv:2506.07397},
year = {2025}
}