多智能体协同记忆系统CoMAM：解决LLM记忆困境

1. 项目概述：多智能体记忆系统的协作困境与突破

在构建个性化AI助手时，我们常遇到一个令人头疼的现象：明明已经告诉过AI自己的饮食习惯和过敏史，但下次点餐时它还是会推荐含有过敏原的菜品。这背后的核心矛盾在于——当前大语言模型（LLM）的上下文窗口就像一块容量有限的"记忆黑板"，当新内容写满黑板时，旧信息就会被无情擦除。

传统解决方案是部署多智能体记忆系统，通常包含三类专业角色：

• 信息挖掘者（提取智能体）：像考古学家般从对话历史中发掘关键事实
• 肖像画家（画像智能体）：将碎片化信息提炼成用户特征画像
• 图书馆员（检索智能体）：根据当前问题快速定位相关记忆

但现有系统存在致命缺陷：每个智能体都在独自训练，就像乐队成员各自练习不同曲目，最终合奏时必然走调。中国科技大学团队提出的CoMAM框架，通过两大创新设计解决了这个问题：

1. 用马尔可夫决策过程（MDP）建立智能体间的"乐谱连线"
2. 开发自适应贡献分配算法充当"智能指挥家"

2. 核心架构解析：从独立作战到协同进化

2.1 传统系统的结构性问题

现有记忆系统通常采用"流水线式"设计，如图1所示的三阶段处理流程。这种架构存在三个典型问题：

我在实际项目中发现，当提取智能体的F1得分提高5%时，有时反而会导致最终回答准确率下降3%，这种反直觉现象正是独立优化弊端的体现。

2.2 CoMAM的MDP建模奥秘

CoMAM将整个系统重构为顺序MDP，其精妙之处在于状态转移设计：

code复制原始对话历史H 
→ [提取动作] → 细粒度记忆Mf 
→ [画像动作] → 粗粒度画像Mc 
→ [检索动作] → 最终回答p

这种建模带来三个关键优势：

1. 策略耦合：前一智能体的输出作为后一智能体的输入状态，自然形成策略依赖
2. 梯度贯通：反向传播时误差信号可以沿着MDP链条穿越