来自伊利诺伊大学香槟分校和谷歌 DeepMind 的研究团队近日提出了 Evo-Memory，这是一种流式基准和智能体框架，旨在弥补当前技术的不足。Evo-Memory 不仅评估智能体在测试时的学习能力，还关注自我演变的记忆，挑战智能体是否能从连续任务流中积累和重用策略，而不仅仅依赖于静态对话记录。

传统的智能体主要依靠对话回忆，存储对话历史、工具使用记录及文档检索，以便在未来查询中重新整合这些信息。然而，这种记忆方式只是被动地缓冲信息，无法主动修改智能体对相关任务的处理策略。相对而言，Evo-Memory 则强调经验重用，将每次交互视为一个包含输入、输出和反馈的经验，评估智能体是否能在后续任务中检索这些经验并将其转化为可重用的策略。

研究团队将记忆增强智能体形式化为一个包含四个部分的元组（F， U， R， C），其中 F 为基本模型，R 为检索模块，C 为上下文构造，U 则是在每一步后写入新经验并演变记忆。Evo-Memory 通过将数据集重新构造成有序任务流，评估智能体在多种环境中的表现。

为了设定基线，研究团队还定义了 ExpRAG 模型，该模型将每次交互转化为结构化的经验文本。在新的任务中，智能体通过检索相似经验并将其与当前输入结合来进行处理。

此外，ReMem 框架则引入了一个 “思考 - 行动 - 记忆细化” 的控制循环，允许智能体在推理过程中主动检索、修剪和重组其记忆。这种方式使得记忆成为一个显式对象，能够在推理时进行动态编辑。

研究结果显示，使用 ReMem 和 ExpRAG 等自演变记忆的智能体在测试时的表现显著提高，能够以更少的步骤完成任务，表现出更高的成功率和准确性。这一研究成果为 LLM 智能体的未来发展提供了新的方向。