EvoMemState: Evolving Memory State for Personal Agents
Pubblicata su AIChronos il · fonte del · Zhishang Xiang, Yunbo Tang, Zhongqiao Liu, Junkai Chen, Zerui Chen, Qingguo Hu
EvoMemState è un framework state-centric progettato per migliorare gli agenti LLM personalizzati integrando stati relazionali e di ragionamento nella gestione della memoria a lungo termine. A differenza dei sistemi esistenti focalizzati sui fatti isolati, questo approccio cattura come i nuovi dati aggiornino o confliggano con quelli precedenti tramite Ontology-Guided Memory State Induction. Inoltre, utilizza il reinforcement learning per generare uno stato specifico alla richiesta attraverso RL-Based State Evolution e guida l'agente combinando questi elementi nello step di State-Aware Reasoning.
- Introduce due stati complementari: Relational States per la validità evolutiva dei fatti e Reasoning State per l'applicazione contestuale alla richiesta corrente.
- Utilizza un'induzione guidata dall'ontologia per costruire relazioni di memoria che mantengano ambito, validità ed evoluzione temporale.
- Internalizza le esperienze d'uso della memoria in una policy tramite reinforcement learning per ottimizzare il ragionamento specifico sulla richiesta.
- Dimostra miglioramenti consistenti nei benchmark di dialogo a lungo termine e nell'accuratezza delle risposte basate sulla memoria rispetto ai sistemi attuali.
- Il codice è open source su GitHub sotto la repository XMUDeepLIT/EvoMemState.
Perché conta. Per gli sviluppatori che lavorano con agenti LLM locali, EvoMemState offre un modo strutturato per gestire le contraddizioni e l'evoluzione della memoria utente senza perdere il contesto storico. Questo framework è cruciale per costruire assistenti personali robusti che non si basino solo su fatti statici ma comprendano la dinamica delle relazioni tra informazioni nel tempo.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.