M-Plan让LLM智能体长时程任务不再卡壳，闭环记忆管理即插即用！
M-Plan: Comprehensive Planning For LLM Agents with Memory Arrangement
📖 AI 总结
该论文针对大语言模型智能体在长程多轮任务中表现不佳的问题展开研究。作者指出，单一模型难以处理长上下文，导致持续决策与推理能力薄弱；现有带长期记忆的多智能体系统多依赖知识复用或摘要，检索到的记忆缺乏针对当前任务的适配且含历史噪声，而任务引导型多智能体系统又缺少专门设计的长期记忆。为此，作者提出M-Plan闭环多智能体框架，融合长期与短期记忆，通过全局—局部与过去—当前的双重引导提升智能体表现，并保持即插即用设计。任务执行中，智能体获得任务里程碑与洞察，仅在困惑时获得局部提示；任务完成后，相关信息经优化重组再存入长期记忆。在ALFWorld、Webshop和PDDL等多轮任务上的实验表明，M-Plan在准确率和效率上均优于多个基线方法。
🔑 关键词速览
| M-Plan | 一种融合长期与短期记忆的闭环多智能体系统框架，通过全局-局部和过去-当前指导提升LLM智能体在多轮任务中的表现。 |
| 多智能体系统（MAS） | 由多个智能体协同工作的系统，旨在通过分工与合作解决单个LLM难以处理的复杂任务。 |
| 长时程任务 | 需要多步连续决策和推理才能完成的任务，对智能体的持续决策与上下文处理能力要求较高。 |
| 长期记忆 | 智能体中用于存储和检索跨任务历史信息的记忆模块，支持知识复用但可能引入历史噪声。 |
| 短期记忆 | 在任务执行过程中动态生成和利用的指导信息（如里程碑、局部提示），用于辅助当前任务的决策。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅