DeltaMem：透過殘差樹為LLM代理實現增量經驗記憶

研究論文提出了一個名為DeltaMem的框架，專門用於大型語言模型（LLM）代理的經驗記憶管理。論文指出，現有方法將經驗存儲為獨立單元，導致冗餘和檢索衝突，因為類似情節重複內容且場景細微變化會引發矛盾指導。為解決此問題，DeltaMem引入殘差經驗概念，認為新經驗通常是既有知識的增量變化。該框架將經驗記憶組織成兩個獨立的殘差樹：一棵存儲以目標為條件的任務經驗，作為可重用技能；另一棵存儲場景級環境知識。每棵樹使用根節點來表示通用基礎經驗，並用增量節點記錄後續變化，使相關經驗能共享基礎而不重複。在檢索方面，系統採用失敗懲罰的相似性掃描來定位最佳匹配，並通過根到匹配的鏈組合重構完整經驗。此外，自主合併機制會將高頻路徑提煉為新根節點，讓樹能從一般啟發式自我組織到專業變體。論文報告在多種互動環境中的實驗顯示，DeltaMem始終優於現有基線。為促進未來研究，作者已在GitHub上發布代碼。