Les systèmes de mémoire auto-évolutifs actuels dans les agents IA accumulent généralement de l'expérience dans une architecture mémoire fixe. MemEvolve, une collaboration entre l'équipe OPPO AI Agent et le laboratoire LV-NUS, remet en question cela en introduisant un framework de méta-évolution qui fait évoluer à la fois les connaissances expérientielles et l'architecture mémoire elle-même. Cette double évolution permet aux agents non seulement d'apprendre des interactions passées, mais aussi d'améliorer la façon dont ils stockent et récupèrent les informations au fil du temps. Publiée à l'ICML 2026, cette recherche représente une étape significative vers des agents IA plus adaptatifs et auto-améliorants. Pour les développeurs construisant des systèmes basés sur des agents, ce travail suggère que la conception de la mémoire devrait être traitée comme un composant dynamique plutôt que comme une infrastructure statique.
MemEvolve, un framework d'OPPO AI et du laboratoire LV-NUS, introduit la méta-évolution pour les systèmes de mémoire des agents, faisant évoluer à la fois les connaissances expérientielles et l'architecture mémoire elle-même.