EvolveMem：面向LLM代理的自演进记忆架构
原帖
**EvolveMem：通过AutoResearch实现自演进的LLM代理记忆架构**
_EvolveMem:Self-Evolving Memory Architecture via AutoResearch for LLM Agents_
> 本文提出了EvolveMem，一种用于LLM代理的自演进记忆架构。它认为现有记忆系统在检索机制上是固定的，而真正自适应的记忆需要存储知识和检索机制共同演进。EvolveMem将完整的检索配置暴露为一个结构化动作空间，并由一个LLM驱动的诊断模块进行优化。该系统在LoCoMo和MemBench基准测试上显著优于最强基线，发现的配置能够跨基准正向迁移。该工作为构建更自主、适应性更强的LLM代理记忆系统提供了新思路。
**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-05-15 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.13941)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
本文介绍了EvolveMem，一种为LLM代理设计的自演进记忆架构。该架构提出将检索配置暴露为结构化动作空间，并通过LLM驱动的诊断模块进行优化，使存储知识和检索机制能够共同演进。
答案说明
EvolveMem是一种自演进的LLM代理记忆架构，它通过一个诊断模块优化检索配置，解决了传统记忆系统检索机制固定的问题，并在LoCoMo和MemBench基准测试中表现优异。
这篇帖子回答的问题
- EvolveMem架构的核心创新点是什么？
- EvolveMem在哪些基准测试上进行了评估？
核心观点
- 现有LLM代理记忆系统的检索机制是固定的，而EvolveMem提出真正自适应的记忆需要存储知识和检索机制共同演进。
- EvolveMem在LoCoMo和MemBench基准测试上显著优于最强基线，并且发现的配置能够跨基准正向迁移。
FAQ
- Q: EvolveMem与传统的LLM代理记忆系统有何不同？
- A: EvolveMem不同于传统记忆系统固定的检索机制，它通过一个诊断模块将检索配置暴露为可优化的动作空间，从而实现存储知识和检索机制的共同演进。
关键实体
- EvolveMem
- LLM代理
- LoCoMo基准测试