Hindsight:代理记忆架构(论文与开源)

Hindsight 提出了一个作为推理基础的记忆架构。- 论文和开源项目已发布并附有链接。- 记忆被视为推理基础,而非简单存储。- 四个逻辑记忆网络:世界事实、代理经验、实体摘要、不断演变的信念。- 定义了三项核心操作:保留、回忆、反思。- 保留:将新信息添加到四个网络的规则。- 回忆:按需精确检索相关记忆片段。- 反思:对记忆进行主动推理,以更新信念和纠正错误。- 报告的基准:在 LongMemEval 上达到 91.4%。- Hindsight 在长时间任务中优于一些全上下文 LLM。- 提到开源代码库和项目结构(DeepWiki 链接)。
Key insights
Hindsight 将记忆重新定义为推理基础
Hindsight 将代理记忆从被动存储重新构架为主动推理基础,将信息组织为四个逻辑网络:世界事实(客观知识)、代理经验(代理的行为和日志)、复合实体摘要(人物、物体、事件的摘要)和不断演变的信念(随时间更新的动态判断)。该架构定义了明确的操作——保留、回忆和反思——来管理信息的存储、检索和主动重新评估。该项目已发布并作为开源提供,附有其模块化结构的文档。
反思作为主动信念修正的实现
Hindsight 最独特的机制是反思:系统定期对其记忆存储进行推理,以更新过时的信念、纠正错误的推断并完善摘要。反思被描述为一种主动过程,它改变存储的信念,而不仅仅是附加新证据。论文强调,这一能力使代理能够通过修改现有记忆表示来“从错误中学习”。
保留和回忆机制分别指定
该架构将保留策略(如何将新信息纳入特定记忆网络)与回忆机制(如何以及何时检索相关记忆片段)分开。帖子描述了决定放置到四个网络的保留规则和旨在任务上下文中精确检索的回忆方法,从而减少了在简单记忆存储方法中观察到的证据推理混淆。
报告基准和开源发布
帖子报告了实验结果,包括在 LongMemEval 上达到 91.4% 的准确率,并声称 Hindsight 在长时间任务中甚至优于一些全上下文模型,如 GPT-4o。项目代码库和 DeepWiki 概述在开源公告中提供了链接。