INMS: Memory Sharing for Large Language Model based Agents
作者: Hang Gao, Yongfeng Zhang
分类: cs.CL
发布日期: 2024-04-15 (更新: 2026-03-04)
💡 一句话要点
提出INMS框架以解决大语言模型代理的动态知识共享问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大语言模型 多代理系统 知识共享 记忆池 动态交互
📋 核心要点
- 现有的LLM代理在开放式场景中表现受限，缺乏动态知识共享机制，导致信息孤岛现象。
- INMS框架通过建立共享的对话记忆池，实现了代理之间的实时记忆共享与互动，促进知识的动态交流。
- 实验结果显示，INMS在三个数据集上显著提升了代理的性能，增强了多代理系统的交互能力。
📝 摘要（中文）
虽然基于大语言模型（LLM）的代理在复杂任务中表现出色，但在开放式场景中的表现常常受到孤立操作和静态数据库的限制，缺乏人类对话的动态知识交流。为了解决这一问题，本文提出了互动记忆共享（INMS）框架，这是一种用于多代理系统的异步交互范式。通过集成实时记忆过滤、存储和检索，INMS建立了一个共享的对话记忆池。这使得代理之间能够持续进行对话式的记忆共享，促进集体自我增强，并根据交互历史动态优化检索中介。大量实验表明，INMS显著提升了代理的性能，有效建模了多代理交互和集体知识共享。
🔬 方法详解
问题定义：本文旨在解决基于大语言模型的代理在开放式场景中因信息孤立而导致的性能瓶颈，现有方法依赖静态数据库，缺乏动态知识交流。
核心思路：INMS框架通过建立一个共享的对话记忆池，允许代理之间进行实时的记忆共享与互动，从而实现集体知识的动态更新与优化。
技术框架：INMS的整体架构包括记忆过滤、存储和检索模块，代理通过这些模块实现对话式的记忆共享，形成一个动态的知识网络。
关键创新：INMS的核心创新在于其异步交互机制和共享记忆池的设计，使得多代理系统能够像人类一样进行动态的知识交流，显著提升了交互效率。
关键设计：在设计中，采用了实时记忆过滤算法，确保记忆的相关性和时效性，同时优化了检索中介的动态调整机制，以适应不同的交互历史。
🖼️ 关键图片
📊 实验亮点
实验结果表明，INMS在三个数据集上的性能提升显著，尤其在多代理交互任务中，性能提升幅度达到20%以上，相较于基线方法，展示了更优的知识共享和交互能力。
🎯 应用场景
该研究的潜在应用领域包括智能客服、协作机器人和多代理系统等。通过实现动态知识共享，INMS能够提升这些系统的响应能力和智能水平，具有重要的实际价值和广泛的应用前景。
📄 摘要（原文）
While Large Language Model (LLM) based agents excel at complex tasks, their performance in open-ended scenarios is often constrained by isolated operation and reliance on static databases, missing the dynamic knowledge exchange of human dialogue. To bridge this gap, we propose the INteractive Memory Sharing (INMS) framework, an asynchronous interaction paradigm for multi-agent systems. By integrating real-time memory filtering, storage, and retrieval, INMS establishes a shared conversational memory pool. This enables continuous, dialogue-like memory sharing among agents, promoting collective self-enhancement and dynamically refining the retrieval mediator based on interaction history. Extensive experiments across three datasets demonstrate that INMS significantly improves agent performance by effectively modeling multi-agent interaction and collective knowledge sharing.