DecentMem 將準確率提升 24% 並減少多代理系統中的代幣使用量

根據動察 Beating 監測，劍橋大學與芝加哥大學團隊開源了多智能體記憶框架 DecentMem，以去中心化私有記憶取代全局共享記憶。傳統系統普遍採用共享記憶，但智能體在讀取相同上下文後，往往收斂至相似決策路徑，分工優勢隨之消失。DecentMem 的核心理念是協作必須依賴認知差異，唯有保留私有記憶才能維持互補路徑。DecentMem 讓智能體維護專屬的雙池記憶：利用池（E-pool）保存歷史經驗與反思記錄，探索池（X-pool）則持續生成新的候選思路。在線決策器根據大語言模型裁判的階段性評分，動態調節雙池調用權重，幫助智能體自主平衡開發與探索。理論上，自進化搜索被建模為圖上的隨機遊走，其全局可達性為智能體跳出局部最優區域提供了保障。在 AutoGen、DyLAN 和 AgentNet 的測試中，DecentMem 相比最強集中式記憶基線平均提升 8.6%，最佳場景下相對提升達 23.8%，同時將 Token 消耗減半。研究發現，協作越依賴即興討論而非固定流程，去中心化優勢越明顯，在強調自由協商的 DyLAN 框架中，系統達到同等性能所需的迭代輪數減少約 60%，收斂速度提升約 2.5 倍。