Los sistemas de memoria auto-evolutivos actuales en agentes de IA típicamente acumulan experiencia dentro de una arquitectura de memoria fija. MemEvolve, una colaboración entre el equipo OPPO AI Agent y el laboratorio LV-NUS, desafía esto introduciendo un framework de meta-evolución que evoluciona tanto el conocimiento experiencial como la propia arquitectura de memoria. Esta doble evolución permite a los agentes no solo aprender de interacciones pasadas, sino también mejorar cómo almacenan y recuperan información con el tiempo. Publicada en ICML 2026, esta investigación representa un paso significativo hacia agentes de IA más adaptativos y auto-mejorables. Para desarrolladores que construyen sistemas basados en agentes, este trabajo sugiere que el diseño de memoria debe tratarse como un componente dinámico en lugar de una infraestructura estática.
MemEvolve, un framework de OPPO AI y el laboratorio LV-NUS, introduce meta-evolución para sistemas de memoria de agentes, evolucionando tanto el conocimiento experiencial como la propia arquitectura de memoria.