MemEvolve: Meta-Evolution of Agent Memory Systems

让Agent自己“进化”大脑？MemEvolve实现17%性能跃升与跨模型泛化

如果说现在的AI Agent像是一个勤奋的学生，那么它的“记忆系统”就是它的笔记本。

ArXiv URL：http://arxiv.org/abs/2512.18746v1

目前的Agent虽然能把做过的题（轨迹）、学到的技巧（经验）记在笔记本上，但无论遇到数学题还是语文题，它都死板地用同一种格式记笔记。这显然不够聪明——真正的学霸，会根据科目不同，调整记笔记的策略：数学题整理公式模板，语文题摘抄金句。

今天要解读的这篇论文 MemEvolve，就是要解决这个问题。它提出了一种让Agent不仅能积累经验，还能自动进化“记笔记方式”（内存架构）的元进化框架。

核心痛点：静态记忆的局限性

目前的自主进化Agent（Self-evolving Agents）大多依赖人工设计的静态记忆架构。

• 早期做法：简单存储原始轨迹（Raw Trajectories），做Few-shot Prompting。

• 进阶做法：抽象成文本形式的Tips、Shortcuts，或者结构化的工具库（APIs）。

问题在于：没有一种通用的记忆架构能通吃所有任务。

• 适合Web浏览的记忆系统（提取API），可能完全不适合数学推理。

• 适合推理的反思型记忆（Self-critique），在写代码时可能效率极低。

如果记忆系统本身是静态的，Agent就无法真正适应多变的任务环境。这就像一个学生虽然在不断刷题，但他永远只会死记硬背，而不会总结归纳方法论。

MemEvolve：双重进化引擎

为了打破这一僵局，作者提出了 MemEvolve，这是一个元进化（Meta-Evolutionary）框架。它的核心思想是双层优化（Bilevel Optimization），就像给Agent装了两个进化的轮子：

1. 内层循环（第一阶进化）：

   Agent在固定的记忆系统下，通过与环境交互，不断填充和更新具体的经验（Experience）。这是传统的“积累知识”。

2. 外层循环（第二阶进化 - 核心创新）：

   系统会根据Agent的表现，自动修改记忆系统的架构本身。这是“优化学习方法”。

为了让这种“修改架构”变得可行，作者将记忆系统解耦为一个模块化的设计空间：

• ♣ Encode（编码）：如何感知和格式化经验？

• ♦ Store（存储）：如何保存信息？

• ♥ Retrieve（检索）：如何根据上下文召回记忆？

• ♠ Manage（管理）：如何合并新旧知识或遗忘无用信息？

MemEvolve通过“诊断-设计”（Diagnose-and-Design）机制，利用大模型（如GPT-5-Mini）作为元优化器，根据Agent在任务中的表现（成功率、成本、延迟），自动重写上述四个模块的代码，从而进化出更强的记忆系统。

EvolveLab：统一的实验场

为了验证这一想法，作者还开源了 EvolveLab。这是一个标准化的代码库，复现了12种代表性的记忆系统（如ExpeL, Agent Workflow Memory等），并将它们统一到上述的模块化空间中。这不仅为MemEvolve提供了进化的“基因库”，也为社区提供了一个公平的竞技场。

实验结果：惊人的泛化能力

MemEvolve的效果如何？作者在GAIA、WebWalkerQA等四个高难度Benchmark上进行了测试，结果非常亮眼：

1. 性能显著提升：

   在集成到SmolAgent和Flash-Searcher等框架后，性能提升高达 17.06%。

2. 强大的跨任务与跨模型泛化：

   这是最令人惊讶的一点。

   • 跨任务：在TaskCraft任务上进化出来的记忆架构，直接拿去跑完全没见过的WebWalkerQA任务，依然能带来性能提升。

   • 跨模型：用GPT-5-Mini进化出来的架构，直接套用到 DeepSeek V3.2 和 Kimi K2 上，依然有效！例如，Kimi K2在WebWalkerQA上的表现提升了17%以上。

   • 跨框架：在一种Agent框架上进化出的记忆，迁移到另一种截然不同的框架上同样有效。

图：MemEvolve与几种流行的自进化Agent记忆系统在不同基准上的对比。可以看到MemEvolve（红色）在各项指标上均处于领先地位。

进化出的记忆长什么样？

MemEvolve自动进化出的记忆系统（如文中提到的 Lightweight, Riva, Cerebra）展现出了人类设计的特征：

• 分层抽象：在任务规划阶段提供宏观指导，在执行阶段提供具体的工具使用建议。

• 预判能力：甚至能预测目标信息可能出现在图片中，指导Agent去截图。

总结

MemEvolve 告诉我们要从“授人以鱼”（给Agent具体的经验）转向“授人以渔”（教Agent如何构建适合自己的记忆系统）。这种元进化的思路，让Agent不再是被动地记录者，而是成为了主动优化自身认知架构的智能体。

对于开发者而言，EvolveLab的开源也是一大福音，以后我们在设计Agent记忆模块时，或许可以直接让AI帮我们“写”一个最适合当前任务的架构了。