通用智能体记忆：深度研究

记忆对于AI智能体至关重要，然而，广泛采用的静态记忆旨在预先创建现成的记忆，不可避免地会遭受严重的信息丢失。为了解决这个限制，我们提出了一种名为通用智能体记忆（GAM）的新颖框架。GAM遵循“即时（JIT）编译”的原则，专注于在运行时为其客户端创建优化的上下文，同时在离线阶段只保留简单但有用的记忆。为此，GAM采用双重设计，包含以下组件：1）记忆器，它使用轻量级记忆突出关键历史信息，同时在通用页面存储中维护完整的历史信息。2）研究员，它根据预构建的记忆，从页面存储中检索并整合有用的信息，以响应在线请求。这种设计使得GAM能够有效利用前沿大型语言模型（LLM）的智能体能力和测试时可扩展性，同时通过强化学习促进端到端性能优化。在我们的实验研究中，我们证明GAM在各种以记忆为基础的任务完成场景中，相对于现有记忆系统，实现了显著的改进。