达尔文式记忆：一种无需训练的自调节记忆系统用于GUI智能体演化

多模态大语言模型（MLLM）智能体在图形用户界面（GUI）自动化中面临长周期、跨应用任务的挑战，主要受限于上下文窗口。现有记忆系统难以适应动态GUI环境，存在高层意图与底层执行间的粒度不匹配及上下文污染问题。为此，本文提出达尔文式记忆系统（DMS），将记忆构建为遵循“适者生存”法则的动态生态系统。DMS将复杂轨迹分解为独立可复用单元，并通过效用驱动的自然选择机制追踪记忆单元的生存价值，主动剪枝次优路径并抑制高风险计划。在真实多应用基准上的实验表明，DMS无需训练成本或架构改动即可显著提升通用MLLM性能，平均成功率提高18.0%，执行稳定性提升33.9%，同时降低任务延迟。