مقاله‌ی arXiv:2610.21170 · در صف خبرنامه
MemScope: Evolving Agent Memory Architectures through Localized Code Repair
تکامل معماری حافظه‌ی ایجنت با تعمیرهای کوچک و هدفمند در کد، نه بازنویسی کامل
- تاریخ
- (۲۳ مهر ۱۴۰۵) 2026-10-15 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Miao Su, Yucan Guo, Zixuan Li, Long Bai, Zhongni Hou, Xiaolong Jin, Jiafeng Guo
- نهاد نویسنده‌ها
- Institute of Computing Technology (Chinese Academy of Sciences), University of Chinese Academy of Sciences, Meituan
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
معماری حافظه‌ی ایجنت تعیین می‌کند ایجنت تجربه را چطور ذخیره و دوباره استفاده کند، اما معمولاً بعد از استقرار ثابت می‌ماند. روش‌های خودتکامل این معماری را با بازخورد اجرا تغییر می‌دهند، اما بازخوردشان درشت است: یک نمره یا یک خلاصه. با این بازخورد معلوم نمی‌شود دقیقاً کجای سیستم خراب است، پس تغییرها هدف روشنی ندارند و اغلب به بازنویسی گسترده‌ی معماری‌ای می‌رسند که در بیشتر جاها خوب کار می‌کرد.
روش
در چارچوب MemScope، یک «ایجنت وصله‌کار» که با ابزار کار می‌کند، هم‌زمان سه چیز را بررسی می‌کند: ترنسکریپت خام اجرا، وضعیت حافظه در زمان اجرا و کد فعلی معماری. از روی این شواهد هدف تعمیر را پیدا می‌کند و ویرایش‌های کوچک و درجا اعمال می‌کند، با این شرط که هویت سیستم حافظه و سازگاری داده‌های قبلی حفظ شود.
یافته‌ها
- روی GAIA، نسخه‌ای که هم ترنسکریپت و هم حافظه را بررسی می‌کرد به دقت ۸۶٫۶۷ درصد رسید، در برابر ۷۰ درصد با فقط ترنسکریپت و ۶۳٫۳۳ درصد با فقط خلاصه.
- در xBench، معماری تکامل‌یافته پاسخ‌های درست را با DeepSeek V3.2 از ۴۹ به ۵۵ و با Kimi K2.7 Code از ۵۰ به ۵۳ رساند؛ روی تسک‌های دیده‌نشده‌ی ALFWorld موفقیت از ۵۰٫۷۵ به ۷۱٫۶۴ درصد رسید.
- میانه‌ی نسبت تغییر کد در هر مرحله‌ی تکامل فقط ۴٫۴ درصد بود.
محدودیت‌ها
بعضی مقایسه‌ها روی تعداد کمی سؤال است (مثلاً از ۴۹ به ۵۵ پاسخ درست)، پس فاصله‌ها را با احتیاط بخوانید؛ نویسنده‌ها بخش جداگانه‌ای برای محدودیت‌ها ندارند.
چرا مهم است
برای کسی که سیستم حافظه برای ایجنت می‌سازد (مثل هیپوکمپس)، این کار نشان می‌دهد بهبود خودکار حافظه وقتی خوب جواب می‌دهد که مثل یک برنامه‌نویس محتاط رفتار کند: اول شواهد دقیق خرابی را ببیند، بعد فقط همان جا را درست کند.