ASEM：面向大语言模型智能体的自进化记忆框架

一个五阶段记忆框架，通过结构化原子笔记、强化学习训练的记忆管理器和价值感知检索，让LLM智能体在保持基础模型冻结的同时实现跨会话的知识演化。

• 原作者/维护者: phamdinhdat-ai
• 来源平台: GitHub
• 原始标题: ASEM-Agentic-Self-Evolution-Memory
• 原始链接: https://github.com/phamdinhdat-ai/ASEM-Agentic-Self-Evolution-Memory
• 发布时间: 2026年6月4日

---

大语言模型虽然拥有强大的推理能力，但在长对话和跨会话场景中面临严重的记忆瓶颈。传统的上下文窗口限制使得模型难以记住 distant past 的信息，而简单的向量检索又缺乏对记忆价值的判断。更关键的是，大多数方案需要微调模型参数，这在实际部署中成本高昂。ASEM（Agentic Self-Evolving Memory）提出了一种全新的解决思路：让记忆系统本身具备学习能力，而不是去修改基础模型。

ASEM 将记忆管理抽象为五个相互协作的阶段，形成一个完整的认知闭环。

与传统纯文本记忆不同，ASEM 将每条记忆编码为多属性结构，包括关键词、标签、描述和向量嵌入。这种富结构化表示使得记忆不仅可以被语义检索，还能基于元数据进行精确过滤。例如，系统可以检索"与Python相关且标签包含debug的记忆"，而不仅仅是相似度匹配。

这是 ASEM 最具创新性的设计。记忆写入操作（何时写、写什么、如何组织）由一个通过 GRPO（Generalized Reward-Penalty Optimization）训练的专用模型控制。该模型学习评估每条潜在记忆的价值，决定是存入长期记忆、短期缓存还是直接丢弃。通过强化学习，记忆管理器能够适应特定领域和用户的记忆偏好。

检索过程分为两个阶段：首先通过向量相似度召回候选记忆，然后由价值感知模块进行重排。这个重排器会考虑当前任务的上下文、记忆的历史使用频率、时效性等因素，确保最相关的记忆被优先呈现给LLM。

ASEM 使用指数移动平均（EMA）来跟踪每条记忆的长期效用，无需梯度更新。当某条记忆被成功使用（帮助生成了好的回答），其效用分数上升；反之则下降。这种轻量级的更新机制使得记忆系统能够持续进化，而不会增加推理开销。