发帖
雷达卡
现在的AI智能体是真的厉害，不管是做深度科研、写工业报告，还是帮着处理日常琐事，能力越来越强。
不过你知道吗，这些智能体背后都有个“记忆系统”，就像咱们人类的大脑皮层，专门记着和环境交互的过程、提炼的经验技巧，靠着这些才能越用越熟练。
目前多数的智能体记忆都是死的，科学家们设计好一套架构就不变了。这就好比让一个学生用背课文的方法学数学，用解方程组的思路学语文，不管什么任务都一套逻辑，效率肯定高不了。
OPPO AI Agent团队和LV-NUS实验室联手开源了MemEvolve来解决这一难题。
智能体的记忆系统主要分两种，一种是记用户偏好的个性化记忆，另一种是记技能经验的自改进记忆。
自改进记忆从最开始记原始交互过程，到后来提炼技巧、快捷键，再到现在存API、代码库，形式一直在变，但核心问题没解决太死板。
擅长记API的记忆系统，上网冲浪时顺风顺水，碰到数学推理就歇菜；靠自我批判升级的，做逻辑题厉害，编码时就掉链子。
说白了，不同任务需要不同的记忆方式，固定架构根本满足不了，这也是为啥很多智能体换个任务就拉胯的关键原因。
咱们人类最厉害的地方就是会灵活调整学习方法，AI智能体以前顶多算会总结的好学生，但MemEvolve让它们变成了会找对方法的聪明人。
MemEvolve比较历史的就是让智能体实现了“双重进化”。不仅能积累经验，还能自己优化记经验的方式。
它有两个循环在同时工作，内循环负责让智能体攒经验，就像咱们平时做题积累知识点，记忆架构暂时不变，只是把新学到的东西存进去，还会记录任务完成得好不好、花了多少成本、费了多长时间。
外循环更关键，会根据内循环的表现，调整记忆架构。比如发现某个记忆方式检索太慢，就优化检索逻辑；觉得存储的信息太杂，就调整存储规则。
刚开始只有一个基础架构，慢慢迭代出越来越好用的版本，形成“攒经验-调方法-攒更多经验”的良性循环。
为了方便调整，MemEvolve把所有记忆架构拆成了四个核心模块，就像乐高积木，想改哪个就改哪个，不用整体推倒重来。
编码模块负责把原始经验整理成结构化的信息，比如把杂乱的交互过程提炼成清晰的步骤；存储模块就是找地方存这些信息，向量数据库、知识图谱都能用；
检索模块负责需要的时候快速找到有用的记忆；管理模块则定期“清理”记忆库，删掉没用的、合并重复的，避免内存臃肿。
MemEvolve不会瞎改架构，先给现有架构做“体检”，看看哪个模块拖后腿，是检索太慢，还是编码不够清晰。
然后根据问题针对性优化，生成几个新版本，再通过任务测试选出最好用的，这样每次进化都能精准命中问题。
光有框架不够，OPPO还搞了个统一的代码库EvolveLab，把12种主流的记忆架构都重新实现了一遍，像ExpeL、Voyager这些知名架构，都能在里面找到。
这个代码库最贴心的是接口统一，不管哪种记忆架构，都能无缝替换，方便研究者们公平对比。而且内置了好几个权威测试平台，支持在线和离线两种评估模式，不用自己再搭测试环境。
不管是刚入门的研究者，还是资深大佬，都能靠它快速测试自己的想法，大大降低了自进化记忆系统的研究门槛，相当于给整个领域搭了个标准化的“竞技场”。
研究团队在四个权威测试平台上做了大规模实验，结果让人眼前一亮。把MemEvolve集成到SmolAgent和Flash-Searcher这两个主流框架里，效果立竿见影。
Flash-Searcher搭配GPT-5-mini，在WebWalkerQA测试中，pass@3从69.67%涨到81.18%；
SmolAgent搭配GPT-5-mini，在GAIALevel-1测试中，准确率从69.81%飙到92.45%。最夸张的是KimiK2搭配Flash-Searcher，在WebWalkerQA上直接提升了17.06%，这个幅度在AI领域真的很少见。
一般的记忆系统换个任务就不行了，但MemEvolve在TaskCraft上训练出来的记忆架构，直接用到WebWalkerQA和xBench-DS上，不用任何调整就能提升性能。
更强的是跨模型、跨框架兼容性，用GPT-5-mini训练的记忆架构，换到KimiK 2和DeepSeekV3.2上照样好用；
放到CK-Pro、OWL这些不同设计思路的框架里，也能稳定提分，不用专门适配，真正做到了即插即用。
开源地址：https://github.com/bingreeky/MemEvolve
想系统掌握AI核心技能、获取行业认可资质？
CAIE注册人工智能工程师认证
助你拓宽职业赛道，成为AI领域持证实力派
京公网安备 11010802022788号
