Un nouvel article de recherche d'Alibaba, de l'Université Jiao Tong de Shanghai et de l'USTC présente CoEvo-Mem, un cadre conçu pour améliorer la mémoire à long terme des agents LLM. L'idée centrale est que la politique de récupération et la banque de mémoire sont interdépendantes, mais la plupart des méthodes existantes optimisent l'une tout en gardant l'autre statique. CoEvo-Mem propose un système en boucle fermée où les deux composants évoluent ensemble, tandis que le LLM sous-jacent reste figé. Cette co-évolution permet à l'agent d'adapter sa stratégie de mémoire en fonction des exigences de la tâche et de l'expérience accumulée. Le travail est actuellement disponible sur arXiv et cible un défi fondamental dans la construction d'agents capables d'opérer sur de longues périodes. Pour les développeurs et chercheurs travaillant sur les architectures d'agents, cela représente une direction prometteuse à explorer, menant potentiellement à des systèmes de mémoire plus robustes et adaptatifs.
CoEvo-Mem, une collaboration entre Alibaba, SJTU et USTC, propose un cadre en boucle fermée où la politique de récupération et la banque de mémoire co-évoluent pour les agents LLM à long terme. Cela répond à une limitation clé des travaux antérieurs qui optimisent un composant tout en gardant l'autre fixe. L'approche est significative pour faire progresser les systèmes de mémoire des agents et améliorer les performances sur les tâches à long horizon.