【第584期】MEMCOLLAB：基于对比轨迹蒸馏的跨智能体协同记忆

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

如果你想要解读自己的论文，获得更多曝光度。请联系小助手微信：seventy3_podcast 加群。
合作邮箱：zhiwudazhanjiangshi#gmail.com

今天的主题是：

MEMCOLLAB: Cross-Agent Memory Collaboration via Contrastive Trajectory

Distillation

Summary

基于大语言模型（LLM）的智能体通常依赖记忆机制来复用以往解决问题的经验。然而，现有的方法大多是“各自为战”的——它们为每个智能体单独构建记忆，将存储的知识与单一模型的推理风格死死绑定。

在如今异构智能体协同部署的时代，一个灵魂拷问随之而来：不同的模型能不能共享同一个记忆系统？

我们发现，如果简单粗暴地在智能体之间“跨服”迁移记忆，往往会导致性能翻车。因为原始记忆把“任务核心知识”和“特定模型的专属偏好（私货）”死死纠缠在了一起。

为了打破这种“生殖隔离”，我们提出了 MemCollab——一个协作式记忆框架。

核心技术突破

MemCollab 的目标是构建一种模型无关（agent-agnostic）的通用记忆：

1. 交叉对比与提炼（Contrastive Process）： 通过对比不同智能体在同一任务上生成的推理轨迹，系统能够“大浪淘沙”，提炼出抽象的推理约束。这一过程精准抓住了任务层面的通用底层逻辑，同时过滤掉了特定智能体自带的冗余特征或偏见。

2. 任务感知检索（Task-aware Retrieval）： 我们进一步引入了基于任务类别的记忆访问机制。这保证了智能体在推理时，只会精准调用与当前任务相关的约束经验，绝不乱用。

实验结果

在数学推理和代码生成的基准测试中，MemCollab 的表现非常亮眼：

• 无论是针对哪种智能体，甚至是跨模型家族（cross-modal-family）的极端设定，它都能稳定且一致地提升准确率和推理阶段的效率。

总结： 实验结果证明，通过协作构建的记忆库，完全可以成为各类 LLM 智能体共享的“公共智慧池”。既然能汇聚所有优等生的解题思路，自然也就没必要让每个模型再闭门造车了。

原文链接：arxiv.org