MemSkill：面向自演化智能体的记忆技能学习与演进

当前大多数大语言模型（LLM）智能体的记忆系统依赖少量静态、人工设计的操作来提取记忆，这些固定流程将人类先验硬编码为存储与更新规则，在多样交互模式下表现僵化，且难以处理长历史。为此，本文提出MemSkill，将记忆操作重构为可学习、可演化的记忆技能——即从交互轨迹中提取、整合与剪枝信息的结构化可复用例程。受智能体技能设计理念启发，MemSkill采用一个控制器学习选择相关技能，并由基于LLM的执行器生成技能引导的记忆。此外，系统引入一个设计师模块，周期性审查技能失效的困难案例，并通过提出改进或新技能来演化技能集。该闭环机制同时优化技能选择策略与技能本身。在LoCoMo、LongMemEval、HotpotQA和ALFWorld上的实验表明，MemSkill显著优于强基线并具有良好泛化能力。