核心发现
方法论
AdMem框架结合短期和长期记忆，通过多代理架构实现自动记忆生成、奖励标注和自适应检索。长时间记忆通过奖励评估、合并和修剪进行管理，确保可扩展性和持续改进。
关键结果
- 实验结果显示，在AgentBoard环境中，AdMem在多任务条件下的任务完成率为63.4%到100%，显著优于ReAct和AWM基准。
- 在工具查询和学术领域，AdMem的任务完成率分别达到94.7%和75.0%，显示出其在不同领域的适应性。
- 通过消融实验，AdMem在Jericho领域的任务完成率从第一轮的45%提高到第三轮的60%。
研究意义
AdMem框架通过整合不同类型的记忆，解决了LLM在长任务中记忆管理的挑战，提升了任务完成率和鲁棒性。它为学术界和工业界提供了新的视角，特别是在智能代理的自适应性和长期任务解决方面。
技术贡献
AdMem框架通过多代理架构和奖励驱动的记忆管理，提供了一种新的记忆生成和管理方法。与现有方法相比，它在记忆的自动化生成和自适应检索方面具有显著优势。
新颖性
AdMem首次将语义、情节和程序记忆整合到一个统一框架中，解决了现有方法在记忆生成和管理上的不足，特别是在长任务中的应用。
局限性
- 在某些任务中，记忆的转移可能导致混淆而不是帮助，影响性能。
- 框架的复杂性可能导致高计算成本。
- 在线部署中的记忆管理设计有限。
未来方向
未来工作可以探索AdMem在更多领域的应用，以及优化记忆管理的在线部署策略，以提高其在实际环境中的可扩展性和效率。
AI 总览摘要
AdMem框架通过整合语义、情节和程序记忆，解决了LLM在长任务中的记忆管理挑战。现有方法主要关注事实信息存储，而AdMem通过多代理架构实现自动记忆生成、奖励标注和自适应检索，确保记忆的可扩展性和持续改进。
实验结果显示，AdMem在多任务条件下的任务完成率显著优于现有基准，特别是在工具查询和学术领域表现突出。通过消融实验，AdMem在Jericho领域的任务完成率从第一轮的45%提高到第三轮的60%。
AdMem框架为智能代理的自适应性和长期任务解决提供了新的视角，尽管存在一些局限性，如记忆转移可能导致混淆和高计算成本，但其在记忆管理上的创新为未来的研究提供了方向。
深度解读
原文摘要
Large Language Models (LLMs) show promise as tool-using agents but remain limited in long-horizon tasks that require remembering, organizing, and reusing knowledge. Prior memory approaches aim to resolve the situation, but mainly focus on storing factual information. Recent work on procedural memory improves task reuse, yet often reduces to replaying past successes without addressing failure cases or online scalability. We introduce a unified and automatic memory framework that integrates semantic, episodic, and procedural memory in a bi-level design combining short-term and long-term stores. A multi-agent architecture with actor, memory, and critic agents enables automatic memory generation, reward annotation, and adaptive retrieval. Long-term memory is managed through reward-based evaluation, merging, and pruning, ensuring scalability and continual improvement. Experiments across various environments show that our approach improves robustness and success on long multi-turn tasks compared to existing baselines. This work highlights the importance of comprehensive, adaptive memory for advancing LLM-based agents.