مقاله‌ی arXiv:2610.12124 · در صف خبرنامه
Use and Disuse: Intent-Structured Experience Consolidation for Memory and Learning in LLM Agents
هیپوکم: تثبیت تجربه بر اساس ساختار نیت برای حافظه و یادگیری ایجنت‌ها، الهام‌گرفته از استفاده و فراموشی در حافظه‌ی انسان
- تاریخ
- (۱۶ مهر ۱۴۰۵) 2026-10-08 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Xiangyi Zeng, Baihang Liu, Xutong Wang, Ze Jin, Yunpeng Li, Qixu Liu
- نهاد نویسنده‌ها
- Institute of Information Engineering, Chinese Academy of Sciences; School of Cyber Security, University of Chinese Academy of Sciences
- برچسب لابراتوار
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
با گذر ایجنت‌ها از اجرای تک‌تسک به کار مستقل بلندمدت، تبدیل تجربه‌ی پیوسته به دانش قابل استفاده‌ی مجدد چالشی اساسی است. نگه داشتن کل جزئیات کار گذشته کانتکست را پر می‌کند و دور ریختنشان دانش را از بین می‌برد.
روش
معماری Hippocam از دو ویژگی حافظه‌ی انسان الهام می‌گیرد: فرایندهای شناختی اطلاعات مرتبط با هدف فعلی را نگه می‌دارند و حافظه‌ی بلندمدت با تثبیت تکراری شکل می‌گیرد. کار ایجنت به شکل نیت‌های تودرتو ساختار می‌یابد؛ کانتکست فعال روی نیت فعلی می‌ماند و نیت‌های تمام‌شده به نتیجه و وضعیت لازم برای کار بعدی تثبیت می‌شوند. یک سازوکار تثبیت بازگشتی پیشوند، تاریخچه‌ی قدیمی‌تر را دوباره و دوباره خلاصه می‌کند تا تجربه‌های استفاده‌نشده انتزاعی‌تر شوند، اما تعامل‌های اصلی حفظ می‌شوند تا ایجنت در صورت نیاز جزئیات را بازیابی کند. تجربه‌های فراخوانده‌شده همراه تجربه‌های تازه دوباره تثبیت و تقویت می‌شوند.
یافته‌ها
- روی ALFWorld به موفقیت ۹۷٫۸ درصد رسید و با ACE در بهترین نتیجه هم‌تراز شد.
- میانگین پیشرفت ۸۱٫۹ درصد روی ScienceWorld از چهار روش از شش روش مقایسه‌شده بیشتر بود.
- روی StreamBench بالاترین میانگین دقت را با ۸۱٫۷ درصد گرفت، کمی جلوتر از Letta با ۸۱٫۳.
محدودیت‌ها
مقاله بخش جداگانه‌ای برای محدودیت‌ها ندارد؛ برتری روی بعضی بنچمارک‌ها اندک است و در ScienceWorld از همه‌ی روش‌ها بهتر نیست.
چرا مهم است
ایجنت‌های بلندمدت باید هم فراموش کنند و هم به یاد بیاورند. این معماری حافظه‌ی کاری، حافظه‌ی بلندمدت و یادگیری مهارت را در یک فرایند واحد بدون تغییر وزن‌ها به هم وصل می‌کند.