面向 AI 智能体的记忆中心式持续学习
基于基础模型的智能体能够推理、规划和使用工具，但固定的模型权重与有限的上下文长度，使其难以在长期部署中从经验里学习。本文提出“记忆中心式持续学习”（MCCL），主张以记忆能否改善未来行动来评估记忆，而不只是看它能否检索已存信息。该框架包括对记忆存储位置、形式和管理策略的分类体系，用于更新记忆并优化管理策略的双循环流程，以及衡量保持、适应和迁移能力的评估方案。研究还提出一个模型，用以分析经验、存储容量和计算资源与智能体性能之间的关系。MCCL 为研究智能体记忆能否实现真正的持续学习提供了框架。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。