📢 转载信息
原文链接：https://venturebeat.com/ai/new-memory-framework-builds-ai-agents-that-can-handle-the-real-worlds
原文作者：Kyle Wiggers
告别遗忘！全新记忆框架助AI智能体驾驭复杂现实世界
研究人员正在努力解决一个关键问题：如何让AI智能体在需要长期记忆和复杂推理的现实世界任务中保持连贯性。现有的模型通常依赖于有限的上下文窗口，这使得它们难以记住早期的对话或行为。
但现在，来自麻省理工学院（MIT）和康奈尔大学（Cornell University）的研究人员提出了一种名为 **M3 (Memory-Augmented Generative Agents)** 的新框架，旨在为AI智能体提供更强大、更持久的记忆能力。
M3框架：突破性的记忆架构
M3框架的核心在于其模块化的设计，它将记忆管理分解为几个关键部分：
- 编码（Encoding）：负责将经验或观察转化为可存储的记忆表示形式。
- 检索（Retrieval）：根据当前任务或情境，快速有效地从记忆库中提取最相关的记忆。
- 规划与行动（Planning and Action）：利用检索到的记忆来指导智能体的下一步决策和行为。
“我们发现，仅仅增加上下文窗口大小并不足以解决复杂推理任务中的记忆挑战，”论文作者之一表示，“智能体不仅需要记住信息，还需要知道何时以及如何使用这些信息。”
M3框架的创新之处在于它能够区分不同类型的记忆，并动态调整信息的使用优先级。例如，它可以区分短期“工作记忆”和长期“情景记忆”，从而避免信息过载。
在真实场景中的表现
研究人员使用了一系列复杂的模拟环境来测试M3框架的性能。这些环境要求智能体必须遵循长期的目标、适应不断变化的环境条件，并记住先前与环境中其他代理的互动。
结果显示，与使用标准大型语言模型（LLM）上下文窗口的基线模型相比，M3智能体在完成多步骤任务和长期规划任务中的成功率显著提高。
在一个涉及社交互动和资源管理的模拟场景中，M3智能体能够：
- 记住特定代理的偏好和历史行为。
- 基于历史互动调整其策略，以实现长期目标。
- 在数小时的模拟时间后仍能保持任务的连贯性。
未来展望：迈向更具适应性的AI
这项研究为构建真正能够处理现实世界复杂性和不确定性的AI智能体铺平了道路。如果AI智能体能够在现实中“记住”它们所学到的东西并应用到新的情境中，那么它们在客户服务、个人助理、甚至是复杂系统管理方面的潜力将大大增加。
研究团队计划在未来的工作中探索更精细的记忆编辑和遗忘机制，以确保智能体不会被不相关或过时的信息所困扰，从而实现更高效的认知能力。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，小白也可以简单操作。
青云聚合API官网https://api.qingyuntop.top
支持全球最新300+模型：https://api.qingyuntop.top/pricing
详细的调用教程及文档：https://api.qingyuntop.top/about
评论区