LatentMem: 为多智能体系统定制潜在记忆

基于大语言模型的多智能体系统展现出显著的集体智能，其中多智能体记忆是持续适应的关键机制。然而，现有设计存在两个根本瓶颈：一是缺乏角色感知的定制导致记忆同质化；二是过于细粒度的记忆条目引发信息过载。为此，我们提出了LatentMem，一种可学习的多智能体记忆框架，能够在标记效率高的情况下定制特定智能体的记忆。该框架包含一个存储原始交互轨迹的轻量级经验库，以及一个根据检索经验和智能体特定上下文合成紧凑潜在记忆的记忆合成器。此外，我们引入了潜在记忆策略优化（LMPO），通过潜在记忆将任务级别的优化信号传递给合成器，鼓励其生成紧凑且高效的记忆表示。在多个基准和主流多智能体框架上的广泛实验表明，LatentMem相比基础设置性能提升了高达19.36%，并始终优于现有记忆架构，且无需对底层框架进行任何修改。