Un nuevo artículo de investigación de Alibaba, la Universidad Jiao Tong de Shanghái y la USTC presenta CoEvo-Mem, un marco diseñado para mejorar la memoria a largo plazo en agentes LLM. La idea central es que la política de recuperación y el banco de memoria son interdependientes, pero la mayoría de los métodos existentes optimizan uno mientras mantienen el otro estático. CoEvo-Mem propone un sistema de circuito cerrado donde ambos componentes evolucionan juntos, mientras el LLM subyacente permanece congelado. Esta co-evolución permite al agente adaptar su estrategia de memoria según las demandas de la tarea y la experiencia acumulada. El trabajo está actualmente disponible en arXiv y aborda un desafío fundamental en la construcción de agentes que operan durante períodos prolongados. Para desarrolladores e investigadores que trabajan en arquitecturas de agentes, esto representa una dirección prometedora para explorar, potencialmente conduciendo a sistemas de memoria más robustos y adaptativos.
CoEvo-Mem, una colaboración entre Alibaba, SJTU y USTC, propone un marco de circuito cerrado donde la política de recuperación y el banco de memoria co-evolucionan para agentes LLM de largo plazo. Esto aborda una limitación clave en trabajos anteriores que optimizan un componente mientras mantienen el otro fijo. El enfoque es significativo para avanzar en los sistemas de memoria de agentes y mejorar el rendimiento en tareas de largo horizonte.