【论文阅读】Agent 记忆机制（99）：PrisMem——从整体分数搜索走向能力驱动的记忆自进化

文章目录

前言
零、论文基本信息
一、为什么总体分数不足以指导记忆进化
- [1. 从静态记忆到可执行记忆程序](#1. 从静态记忆到可执行记忆程序)
- [2. 一次修改会同时产生收益与副作用](#2. 一次修改会同时产生收益与副作用)
- [3. 局部收益如何被掩盖](#3. 局部收益如何被掩盖)
二、问题定义与能力空间
- [1. 任务与程序](#1. 任务与程序)
- [2. 五段式 Memory Interface](#2. 五段式 Memory Interface)
- [3. 五类记忆能力](#3. 五类记忆能力)
[三、PrisMem 方法总览](#三、PrisMem 方法总览)
[四、Stage I：冷启动与证据级诊断](#四、Stage I：冷启动与证据级诊断)
- [1. 为什么先冷启动](#1. 为什么先冷启动)
- [2. 三个证据指标](#2. 三个证据指标)
[五、Stage II：能力驱动的专项进化](#五、Stage II：能力驱动的专项进化)
- [1. 从 specialist 而非全局冠军出发](#1. 从 specialist 而非全局冠军出发)
- [2. 依赖感知的能力选择](#2. 依赖感知的能力选择)
- [3. 历史引导的失败案例](#3. 历史引导的失败案例)
- [4. 诊断上下文压缩](#4. 诊断上下文压缩)
- [5. 程序安全检查](#5. 程序安全检查)
[六、Stage III：用执行差异整合能力专家](#六、Stage III：用执行差异整合能力专家)
- [1. 为什么不直接路由](#1. 为什么不直接路由)
- [2. 成对差异案例](#2. 成对差异案例)
- [3. 谱系与接受条件](#3. 谱系与接受条件)
- [4. 三组能力冲突](#4. 三组能力冲突)
- - [完整时间关系 vs. 独立矛盾声明](#完整时间关系 vs. 独立矛盾声明)
  - [时间顺序 vs. 因果证据](#时间顺序 vs. 因果证据)
  - [检索多样性 vs. 相关性](#检索多样性 vs. 相关性)
七、效率设计
- [1. Revision-aware execution reuse](#1. Revision-aware execution reuse)
- [2. 预算与参数](#2. 预算与参数)
八、实验设置
- [1. 数据与长度外推](#1. 数据与长度外推)
- [2. Baseline 与模型](#2. Baseline 与模型)
九、主实验结果
- [1. BEAM-1M](#1. BEAM-1M)
- [2. LongMemEval-M](#2. LongMemEval-M)
十、进化成本、消融与轨迹
- [1. 进化 Token](#1. 进化 Token)
- [2. 消融](#2. 消融)
- [3. 轨迹分析](#3. 轨迹分析)
十一、迁移与路由对照
- [1. GPT-5.5](#1. GPT-5.5)
- [2. 跨模型与跨数据集](#2. 跨模型与跨数据集)
- [3. 路由还是统一程序](#3. 路由还是统一程序)
[十二、与 Agent Memory 系列的横向比较](#十二、与 Agent Memory 系列的横向比较)
- [1. A-MEM](#1. A-MEM)
- [2. MAGMA](#2. MAGMA)
- [3. CoM](#3. CoM)
- [4. ReMemR1](#4. ReMemR1)
- [5. Mem²Evolve](#5. Mem²Evolve)
- [6. JAM](#6. JAM)
[十三、对 Coding、Tool 与 Multi-Agent 的启发](#十三、对 Coding、Tool 与 Multi-Agent 的启发)
- [1. Coding Agent](#1. Coding Agent)
- [2. Tool Agent](#2. Tool Agent)
- [3. Multi-Agent](#3. Multi-Agent)
- [4. 动态能力词表](#4. 动态能力词表)
十四、局限性
- [1. 能力体系依赖人工归纳](#1. 能力体系依赖人工归纳)
- [2. 离线标注依赖参考答案与证据](#2. 离线标注依赖参考答案与证据)
- [3. 评分依赖 LLM judge](#3. 评分依赖 LLM judge)
- [4. 百万 Token 是长度泛化而非百万 Token 进化](#4. 百万 Token 是长度泛化而非百万 Token 进化)
- [5. 成本仍高](#5. 成本仍高)
- [6. Baseline 搜索空间不完全等价](#6. Baseline 搜索空间不完全等价)
- [7. 缺少多模态、工具与权限场景](#7. 缺少多模态、工具与权限场景)
- [8. 安全与审计不足](#8. 安全与审计不足)
十五、我的理解与启发
- [1. PrisMem 让优化过程自己拥有记忆](#1. PrisMem 让优化过程自己拥有记忆)
- [2. 总体分数是一种有损压缩](#2. 总体分数是一种有损压缩)
- [3. specialist 的价值是制造可比较的反事实](#3. specialist 的价值是制造可比较的反事实)
- [4. 能力依赖比单标签分类更真实](#4. 能力依赖比单标签分类更真实)
- [5. 下一步是让能力空间本身进化](#5. 下一步是让能力空间本身进化)
十六、总结
参考资料

前言

Agent 的长期记忆正在从"人工设计一个固定数据库"走向"让系统自己改写记忆程序"。

传统方法关注记忆应该长什么样：用摘要、时间线、图结构还是层次化索引。自进化记忆则把 Extraction、Indexing、Planning、Retrieval、Answer 写成可执行程序，再根据任务反馈让大模型修改代码。

但 Agent Memory 并不是单目标系统。一套程序需要同时完成事实找回、时间状态跟踪、用户偏好提取、跨会话综合，以及在证据缺失或矛盾时谨慎回答。这些能力并不总是同向变化。

例如，扩大检索范围可能提高跨会话综合，却会引入无关个人信息；把事实切得更原子化有助于发现矛盾，却可能破坏完整时间线；提高检索多样性有助于覆盖多个主题，却可能干扰状态更新判断。

现有自进化方法通常把这些反馈混在一起，用一个总体分数决定新程序是否值得保留。论文发现，在没有带来总体得分提升的修改中，仍有 80.5% 至少改善了一项记忆能力。"总分没涨"并不等于"修改没有价值"。

为此，论文提出 PrisMem，将自进化从单一总体性能维度展开到多个能力维度。

本文的唯一核心增量是：

PrisMem 把 Agent Memory 的自进化搜索单位从"总体得分更高的程序"改成"各能力维度上的优秀程序"，保留被总分掩盖的局部能力增益，再通过差异执行轨迹把这些能力专家整合为统一记忆程序。

依赖感知的能力选择、历史引导的诊断和轨迹引导的整合，都服务于这条主线：前两者扩大能力空间中的探索边界，后者把分散的局部收益变成可部署的统一程序。

零、论文基本信息

论文名称： Capability-Driven Self-Evolution of Agent Memory
发表平台： arXiv
代码仓库： 论文当前版本未提供公开代码仓库
作者： Yaoqi Chen、Yuru Feng、Qianxi Zhang、Baotong Lu、Jianan Lu、Zhirui Wang、Shusen Xu、Zewen Jin、Zengzhong Li、Cheng Li、Qi Chen

一、为什么总体分数不足以指导记忆进化

1. 从静态记忆到可执行记忆程序

静态 Agent Memory 的主要机制在部署前已经确定：

Mem0、SimpleMem 强调显著事实的提取与整合；
Zep、Hindsight、TiMem 重视时间和状态变化；
MemoryBank、MemoryOS、O-Mem 聚焦用户画像与偏好；
A-MEM、GAM、MemWeaver 关注跨记忆关联和多会话综合。

自进化方法进一步把记忆表示为程序 P P P，允许修改 MemoryUnit、Query、提取提示、索引结构、查询规划、检索算法和回答规则。M★、EvolveMem、MemEvolve、MemPro 已经证明大模型能够根据失败案例改写这类程序。

问题在于，它们通常采用 holistic evolution：将不同题型的反馈汇总，再用总体分数选择候选。

2. 一次修改会同时产生收益与副作用

假设系统在综合题中只找回一个主题，于是加入 MMR 提高检索多样性：

多会话综合得到更多互补证据，分数上升；
时间题混入邻近事件，日期和状态更难对齐，分数下降。

如果一升一降，总分可能不变。传统策略会丢弃候选；更合理的做法是把它保存为多会话能力 specialist，继续优化，最后显式处理它与时间能力的冲突。

3. 局部收益如何被掩盖

Figure 1：能力驱动进化的动机。 左侧展示总体变化与最大单项能力变化，中间统计能力间回退比例，右侧对比整体进化与能力驱动进化的探索边界。

Figure 1(a) 左上区域代表总体分数下降、但至少一项能力改善。论文统计：80.5% 没有总体增益的修改仍提高了至少一项能力。

Figure 1(b) 显示负迁移并不少见：某能力改善时，另一能力下降的比例约为 38%～64%。对抗能力改善时，事实检索下降的比例达到 64%。

所以传统方法不一定找不到好修改，而是选择机制看不见"尚未整合的好修改"。总体进化只能沿总分上升方向移动；能力驱动进化可以先沿 F、T、P、M、A 分别扩展边界，再寻找兼顾各维度的统一解。

二、问题定义与能力空间

1. 任务与程序

任务实例为：

x = ( H , q , y , E ) x=(H,q,y,E) x=(H,q,y,E)

其中 H H H 是历史会话， q q q 是问题， y y y 是参考答案， E E E 是参考证据。程序 P P P 构建记忆、检索并回答，在实例上得到：

s ( P ; x ) ∈ $0 , 1$ s(P;x)\in $0,1$ s(P;x)∈ $0,1$

集合平均分为：

s ( P ; S ) = 1 ∣ S ∣ ∑ x ∈ S s ( P ; x ) s(P;S)=\frac{1}{|S|}\sum_{x\in S}s(P;x) s(P;S)=∣S∣1x∈S∑s(P;x)

程序在训练集上迭代，根据验证集选择，达到预算后冻结并在测试集评估。

2. 五段式 Memory Interface

论文把程序拆成五部分：

U = P . extract ⁡ ( H ) U=P.\operatorname{extract}(H) U=P.extract(H)

M = P . index ⁡ ( U , H ) M=P.\operatorname{index}(U,H) M=P.index(U,H)

Q = P . plan ⁡ ( q ) Q=P.\operatorname{plan}(q) Q=P.plan(q)

R = P . retrieve ⁡ ( M , Q ) R=P.\operatorname{retrieve}(M,Q) R=P.retrieve(M,Q)

y ^ = P . answer ⁡ ( q , R ) \hat y=P.\operatorname{answer}(q,R) y^=P.answer(q,R)

分别对应 Extraction、Indexing、Planning、Retrieval 和 Answer。细粒度接口既能定位证据在哪一步丢失，也允许局部修改复用上游计算。

3. 五类记忆能力

缩写	能力	记忆要求
F	Factual retrieval	保存和找回事实、数值与局部细节
T	Temporal tracking	排序事件、判断新旧、跟踪状态变化
P	Preference extraction	恢复并应用用户偏好、指令和约束
M	Multi-session synthesis	聚合多个会话或事件中的证据
A	Adversarial	证据不足时拒答，处理矛盾或误导信息

Table 1：五类记忆能力。 PrisMem 用这组能力词表组织进化反馈。

一个问题可同时需要多项能力。训练和验证任务被离线标注一个主要能力 ℓ ( x ) \ell(x) ℓ(x) 与最多两个次要能力 σ ( x ) \sigma(x) σ(x)：

S c = { x ∈ S : ℓ ( x ) = c } S^c=\{x\in S:\ell(x)=c\} Sc={x∈S:ℓ(x)=c}

标注器会看到问题、参考答案和参考证据，因为只看问题很难判断真实记忆要求。论文在 700 个 BEAM-1M 问题上测试，GPT-5.5 只根据问题预测主要能力时，与题型映射的一致率只有 48.14%。

这些标签只用于训练阶段组织反馈，测试阶段不会提供给程序。

三、PrisMem 方法总览

Figure 2：PrisMem 方法总览。 Stage I 建立平衡起点，Stage II 围绕代表性失败案例进化能力 specialist，Stage III 用成对差异案例指导统一整合。

三个阶段分别是：

Cold Start： 修复种子程序的普遍缺陷；
Capability Refinement： 保存并优化各能力 specialist；
Trace-guided Integration： 合并不同 specialist 的互补机制。

传统方法主要维护全局最优程序。PrisMem 同时维护：

当前全局最优 G t G_t Gt；
每项能力的最优 specialist P t ⋆ ( c ) P_t^\star(c) Pt⋆(c)；
候选程序的谱系、执行结果和历史诊断。

同一个程序可以同时成为多个能力的 specialist。

四、Stage I：冷启动与证据级诊断

1. 为什么先冷启动

种子程序故意很简单：MemoryUnit 只有一个文本字段，Query 只有一个查询字段，索引按顺序追加，检索甚至不依赖问题，只拼接记忆并截断到 16K 字符。

如果立即分五条能力路径，各分支会重复修复相同基础问题。因此前 T 1 = 5 T_1=5 T1=5 轮先建立一个平衡基座。

2. 三个证据指标

对于证据 e e e 和文本集合 Z Z Z，定义最大匹配相似度：

sim ⁡ max ⁡ ( e , Z ) = { max ⁡ z ∈ Z ϕ ( e ) ⊤ ϕ ( z ) , Z ≠ ∅ 0 , Z = ∅ \operatorname{sim}{\max}(e,Z)= \begin{cases} \max{z\in Z}\phi(e)^\top\phi(z),&Z\neq\varnothing\\ 0,&Z=\varnothing \end{cases} simmax(e,Z)={maxz∈Zϕ(e)⊤ϕ(z),0,Z=∅Z=∅

其中 ϕ \phi ϕ 是归一化 embedding。再计算：

d ext ( x ) = 1 ∣ E x ∣ ∑ e ∈ E x sim ⁡ max ⁡ ( e , U e ) d_{\text{ext}}(x)=\frac{1}{|E_x|}\sum_{e\in E_x}\operatorname{sim}_{\max}(e,U_e) dext(x)=∣Ex∣1e∈Ex∑simmax(e,Ue)

d idx ( x ) = 1 ∣ E x ∣ ∑ e ∈ E x sim ⁡ max ⁡ ( e , R e ) d_{\text{idx}}(x)=\frac{1}{|E_x|}\sum_{e\in E_x}\operatorname{sim}_{\max}(e,R_e) didx(x)=∣Ex∣1e∈Ex∑simmax(e,Re)

d ret ( x ) = 1 ∣ E x ∣ ∑ e ∈ E x sim ⁡ max ⁡ ( e , R x ) d_{\text{ret}}(x)=\frac{1}{|E_x|}\sum_{e\in E_x}\operatorname{sim}_{\max}(e,R_x) dret(x)=∣Ex∣1e∈Ex∑simmax(e,Rx)

U e U_e Ue 是证据所在原文抽出的 MemoryUnit； R e R_e Re 是用证据本身作 oracle query 得到的内容； R x R_x Rx 是真实问题的检索结果。

d ext d_{\text{ext}} dext 检查提取是否保存证据；
d idx d_{\text{idx}} didx 检查证据能否从索引访问；
d ret d_{\text{ret}} dret 检查真实 Query 能否找回证据。

若第一项高、第二项低，问题更可能在索引；第二项高、第三项低，则应检查 Query Planning 或 Retrieval；三项高但答案错，则要检查 Answer 对时间、来源和冲突的解释。

冷启动在附录轨迹中形成多子查询检索、预算分配与跨查询去重，为后续 specialist 搜索提供共同起点。

五、Stage II：能力驱动的专项进化

1. 从 specialist 而非全局冠军出发

对能力 c c c：

P t ⋆ ( c ) = arg ⁡ max ⁡ P ∈ P t s ( P ; S valid c ) P_t^\star(c)=\arg\max_{P\in\mathcal P_t}s(P;S_{\text{valid}}^c) Pt⋆(c)=argP∈Ptmaxs(P;Svalidc)

全局最优为：

G t = arg ⁡ max ⁡ P ∈ P t s ( P ; S valid ) G_t=\arg\max_{P\in\mathcal P_t}s(P;S_{\text{valid}}) Gt=argP∈Ptmaxs(P;Svalid)

当目标能力是 c t c_t ct 时，PrisMem 从 P t ⋆ ( c t ) P_t^\star(c_t) Pt⋆(ct) 而非总是从 G t G_t Gt 开始修改。一个总体略低、但时间能力最好的程序因此不会被淘汰。

2. 依赖感知的能力选择

对于主要能力 c p c_p cp 和次要能力 c s c_s cs，结构共现先验为：

D ( c p → c s ) = ∑ x ∈ S train c p 1 $c s \in σ ( x )$ ∣ S train c p ∣ D(c_p\rightarrow c_s)= \frac{\sum_{x\in S_{\text{train}}^{c_p}}\mathbf 1 $c_s\\in\\sigma(x)$ } {|S_{\text{train}}^{c_p}|} D(cp→cs)=∣Straincp∣∑x∈Straincp1 $cs\inσ(x)$

定义 c s c_s cs specialist 的实例错误：

e t , c s ( x ) = 1 − s ( P t ⋆ ( c s ) ; x ) e_{t,c_s}(x)=1-s(P_t^\star(c_s);x) et,cs(x)=1−s(Pt⋆(cs);x)

以及它在主要能力为 c p c_p cp 的任务上的平均错误：

e ˉ t , c s ( c p ) = 1 ∣ S train c p ∣ ∑ x ∈ S train c p e t , c s ( x ) \bar e_{t,c_s}(c_p)= \frac{1}{|S_{\text{train}}^{c_p}|} \sum_{x\in S_{\text{train}}^{c_p}}e_{t,c_s}(x) eˉt,cs(cp)=∣Straincp∣1x∈Straincp∑et,cs(x)

错误集中于"同时需要 c s c_s cs"任务的比例是：

F t , c s ( c p → c s ) = ∑ x e t , c s ( x ) 1 $c s \in σ ( x )$ ∑ x e t , c s ( x ) F_{t,c_s}(c_p\rightarrow c_s)= \frac{\sum_x e_{t,c_s}(x)\mathbf 1 $c_s\\in\\sigma(x)$ } {\sum_x e_{t,c_s}(x)} Ft,cs(cp→cs)=∑xet,cs(x)∑xet,cs(x)1 $cs\inσ(x)$

若 F > D F>D F>D，说明错误不成比例地集中在需要 c s c_s cs 的任务上。跨能力错误压力为：

I t ( c p → c s ) = e ˉ t , c s ( c p ) $F t , c s ( c p \to c s ) - D ( c p \to c s )$ + I_t(c_p\rightarrow c_s)= \bar e_{t,c_s}(c_p) \left $F_{t,c_s}(c_p\\rightarrow c_s)-D(c_p\\rightarrow c_s)\\right$ _+ It(cp→cs)=eˉt,cs(cp) $Ft,cs(cp\tocs)-D(cp\tocs)$ +

能力紧迫度为：

U t ( c ) = e ˉ t , c ( c ) + max ⁡ c p ∈ C ∖ { c } I t ( c p → c ) U_t(c)=\bar e_{t,c}(c)+ \max_{c_p\in C\setminus\{c\}}I_t(c_p\rightarrow c) Ut(c)=eˉt,c(c)+cp∈C∖{c}maxIt(cp→c)

论文取最大值而不是求和，避免与很多能力共现的节点天然占优。最后按已分配轮数 n t ( c ) n_t(c) nt(c) 折扣：

ρ t ( c ) = U t ( c ) 1 + n t ( c ) , c t = arg ⁡ max ⁡ c ρ t ( c ) \rho_t(c)=\frac{U_t(c)}{1+n_t(c)},\qquad c_t=\arg\max_c\rho_t(c) ρt(c)=1+nt(c)Ut(c),ct=argcmaxρt(c)

一项能力会因自身薄弱或成为其他任务的隐藏瓶颈而被优先选择；反复投入却停滞时，优先级会下降。

3. 历史引导的失败案例

PrisMem 先筛出目标能力中分数低于 δ = 0.8 \delta=0.8 δ=0.8 的题，再选 K = 5 K=5 K=5 个案例。权重为：

w t ( i ) = 1 + 1 ∣ P t ( c t ) ∣ ∑ P ∈ P t ( c t ) s ( P ; x i ) ( 1 + m t ( i ) ) ( 1 + m t ( σ ( x i ) ) ) w_t(i)= \frac{ 1+\frac{1}{|\mathcal P_t(c_t)|}\sum_{P\in\mathcal P_t(c_t)}s(P;x_i) }{ (1+m_t(i))(1+m_t(\sigma(x_i))) } wt(i)=(1+mt(i))(1+mt(σ(xi)))1+∣Pt(ct)∣1∑P∈Pt(ct)s(P;xi)

历史平均分越高、当前却失败的案例权重越高，因为它是 regression witness：过去版本做对过，当前 specialist 做错了。对比两者能定位最近修改的副作用。

分母压低反复出现的案例和次能力组合，避免 12 轮都围绕同一种错误。

4. 诊断上下文压缩

案例会包含能力标签、问题、参考与预测答案、Query Plan、检索内容、参考证据、原始来源和对应 MemoryUnit。

论文用语义相似度 0.75 与词项 Dice overlap 0.25 选择关键 span，同时保留时间、角色和代码块边界。BEAM 真实轨迹中，平均案例上下文从 16,776 tokens 降至 9,428 tokens ，减少 43.8%。

5. 程序安全检查

生成候选在昂贵评估前要通过：

Python 源码和必需模块检查；
MemoryUnit、Query schema 与函数签名检查；
本地 stub backend 的构建、空索引和检索测试；
约 2K 合成单元、100 批次、4096 维 embedding 的复杂度检查。

通过检查且目标能力训练分上升后，候选才进入完整能力评估。

六、Stage III：用执行差异整合能力专家

1. 为什么不直接路由

只凭问题很难识别真实能力，一个任务也常需要多个能力。PrisMem 最终不部署五个 specialist，而是整合为一个程序。

2. 成对差异案例

对每个 specialist，寻找它与 base 分差最大的训练案例：

x ^ c = arg ⁡ max ⁡ x ∈ S train c $s ( P ⋆ ( c ) ; x ) - s ( G ; x )$ \hat x_c=\arg\max_{x\in S_{\text{train}}^c} \left $s(P\^\\star(c);x)-s(G;x)\\right$ x^c=argx∈Straincmax $s(P⋆(c);x)-s(G;x)$

规划模型同时看到 base 和 specialist 在该案例上的 MemoryUnit、Query、检索内容、答案与分数。它可以判断 specialist 究竟因为保存 session date、区分 speaker、拆分查询还是改变排序而成功。

3. 谱系与接受条件

规划模型根据 lineage topology 决定整合顺序：靠近 base、依赖少的改动先处理，较远 specialist 后处理。编码模型最多尝试 T 3 = 3 T_3=3 T3=3 轮。

候选必须同时满足：

总体分高于原 base；
任一能力相对下降不超过 θ = 0.1 \theta=0.1 θ=0.1。

失败实现及其在同一差异案例上的 trace 会回传继续修正。

4. 三组能力冲突

完整时间关系 vs. 独立矛盾声明

时间能力希望完整计划和进度保持在同一 MemoryUnit；对抗能力希望矛盾声明独立可见。整合策略是：完整过程保持成组，矛盾声明单独保存。时间提高 0.87 pp，对抗提高 2.73 pp。

时间顺序 vs. 因果证据

时间题可按日期恢复顺序，但因果题不能把"先发生"误判成"导致"。整合后的回答规则要求时间题按事件顺序组织，因果题必须找到明确连接。时间提高 2.71 pp，对抗提高 8.59 pp。

检索多样性 vs. 相关性

多会话综合偏好多样结果，时间题需要聚焦同一事件。统一策略按问题类型调节 MMR：综合题偏多样性，时间题偏相关性。多会话提高 3.92 pp，时间提高 3.70 pp。

整合并非机械拼代码，而是把冲突机制变成"在什么条件下启用什么行为"。

七、效率设计

1. Revision-aware execution reuse

修改内容	重新执行起点	可复用内容
MemoryUnit schema 或 Extraction	Extraction	会话分段
Constructor、Index 或 helper	Indexing	分段和已抽取单元
Query schema、Planning 或 Retrieval	Query Planning	分段、抽取和索引
仅 AnswerInstruction	Answer	已建记忆、Query 和检索结果

Table 6：候选程序的重执行边界。 越靠后的局部修改，可复用的上游工作越多。

2. 预算与参数

阶段	轮数
Cold Start	5
Capability Refinement	12
Integration	3

Table 8：20 轮进化预算分配。 所有自进化方法使用相同总轮数。

其他参数为 δ = 0.8 \delta=0.8 δ=0.8、 K = 5 K=5 K=5、 θ = 0.1 \theta=0.1 θ=0.1，整合时每项能力取一个差异案例。

八、实验设置

1. 数据与长度外推

程序在 BEAM-100K 和 LongMemEval-S 上进化，冻结后测试 BEAM-1M 和 LongMemEval-M。

数据集	划分	F	T	P	M	A	总数	平均 Token
BEAM-100K	Train	20	43	32	33	32	160	125.11K
BEAM-100K	Validation	18	32	24	22	24	120	146.83K
BEAM-1M	Test	70	210	140	140	140	700	1,089.57K
LongMemEval-S	Train	19	17	11	9	4	60	109.40K
LongMemEval-S	Validation	20	17	8	8	7	60	109.40K
LongMemEval-M	Test	64	64	30	32	10	200	1,079.04K

Table 7：数据划分与能力构成。 程序在约 100K token 历史上进化，在约 1.08M token 历史上评测。

LongMemEval-M 使用分层抽样的 200 题子集，并非完整测试集。

2. Baseline 与模型

静态方法包括 Mem0、A-MEM、HippoRAG2、SimpleMem、LightMem；自进化方法为 M★ 与 EvolveMem。

主实验的任务、反思、编码和裁判模型均为 Qwen3.8-27B，embedding 为 Qwen3-Embedding-8B，运行环境是 A100、vLLM 0.20.0 和 Python 3.12。附录还测试 GPT-5.5。

分数由 benchmark 的 LLM judge 给出。每个实验运行三次，报告均值和标准差。

九、主实验结果

1. BEAM-1M

方法	F	T	P	M	A	Overall	平均 Token
Mem0	54.74	46.51	60.48	38.02	49.11	48.95	190.28K
A-MEM	56.21	46.22	65.39	53.87	41.13	51.56	428.95K
HippoRAG2	65.24	47.06	66.43	44.83	44.82	51.86	207.70K
SimpleMem	48.55	36.82	48.85	21.87	50.68	40.18	95.72K
LightMem	46.66	33.40	36.64	16.70	55.45	36.44	86.20K
M★	61.29	48.98	71.91	42.19	46.02	52.85	89.47K
EvolveMem	41.80	39.74	52.21	21.67	45.67	40.01	98.40K
PrisMem	74.17	57.26	75.58	54.12	64.32	63.39	100.59K

Table 2：BEAM-1M 主结果。 PrisMem 在五项能力和总体分上均为最佳。

PrisMem 的 63.39 比最佳静态方法 HippoRAG2 高 11.53 pp，比最佳自进化方法 M★ 高 10.54 pp。

提升并非由单项拉动。尤其是对抗能力达到 64.32，而 A-MEM 和 HippoRAG2 分别只有 41.13 与 44.82。这表明统一程序没有简单以召回率换取准确率。

PrisMem 每题平均 100.59K token，略高于 M★ 的 89.47K，却远低于 A-MEM 的 428.95K。结论应是"成本与其他进化方法相近、准确率明显更高"，而不是"最省 token"。

2. LongMemEval-M

方法	F	T	P	M	A	Overall	平均 Token
Mem0	69.79	63.54	43.33	63.54	63.33	62.50	5772.67K
A-MEM	87.50	59.90	44.44	54.17	96.67	67.33	8873.92K
HippoRAG2	89.58	47.92	24.44	40.63	90.00	58.67	6185.48K
SimpleMem	82.81	74.48	11.11	67.71	73.33	66.50	2624.68K
LightMem	47.92	74.48	24.44	58.33	96.67	57.00	1888.30K
M★	76.04	47.40	12.22	67.71	93.33	56.83	1528.94K
EvolveMem	78.13	69.79	42.22	65.63	70.00	67.67	2749.94K
PrisMem	82.29	75.00	47.78	82.29	96.67	75.50	2232.65K

Table 2（续）：LongMemEval-M 主结果。 PrisMem 总体最佳，但事实检索并非单项第一。

PrisMem 比最佳静态方法高 8.17 pp，比最佳自进化方法 EvolveMem 高 7.83 pp。

需要注意反例：事实检索 82.29 低于 HippoRAG2 的 89.58 和 A-MEM 的 87.50；对抗能力与 A-MEM、LightMem 并列。论文支持的是总体平衡能力更强，不是所有单项绝对第一。

主要增益在时间、偏好和多会话综合，其中多会话 82.29 比 M★ 与 SimpleMem 的 67.71 高 14.58 pp。

十、进化成本、消融与轨迹

1. 进化 Token

方法	BEAM	LongMemEval
M★	76.5 ± 7.1 76.5\pm7.1 76.5±7.1 M	202.3 ± 10.3 202.3\pm10.3 202.3±10.3 M
EvolveMem	69.2 ± 7.3 69.2\pm7.3 69.2±7.3 M	102.7 ± 8.4 102.7\pm8.4 102.7±8.4 M
PrisMem	73.7 ± 6.4 73.7\pm6.4 73.7±6.4 M	143.3 ± 9.6 143.3\pm9.6 143.3±9.6 M

Table 3：20 轮进化 Token。 EvolveMem 最省，但只进化部分配置；PrisMem 与 M★ 修改完整程序。

PrisMem 比 M★ 低约 4%～30%，但仍高于 EvolveMem。压缩诊断上下文与执行复用有效，却没有消除完整程序进化的高成本。

2. 消融

变体	Overall	变化
完整 PrisMem	63.39 ± 1.02 63.39\pm1.02 63.39±1.02	-
无 capability evolution	53.24 ± 2.38 53.24\pm2.38 53.24±2.38	-10.15 pp
无 trace-guided integration	60.23 ± 1.86 60.23\pm1.86 60.23±1.86	-3.16 pp
Round-robin 选能力	60.84 ± 1.13 60.84\pm1.13 60.84±1.13	-2.55 pp
随机选案例	58.13 ± 1.25 58.13\pm1.25 58.13±1.25	-5.26 pp

Table 4：BEAM-1M 消融。 能力驱动搜索是最大增益来源，案例选择和最终整合也有独立贡献。

去掉能力驱动进化下降 10.15 pp，直接验证核心增量。去掉整合仍有 60.23，说明 specialist 探索本身已经有效；整合再贡献 3.16 pp。

随机案例下降 5.26 pp，说明"看哪些失败"对程序进化影响很大。固定轮询下降 2.55 pp，则支持依赖感知调度。

3. 轨迹分析

Figure 3：进化轨迹分析。 左侧展示 Stage II 各轮 specialist 更新，右侧对比历史能力峰值与最终程序。

能力分数并非平滑上升：第 7 轮时间专项同时更新 F、T、P，第 17 轮又同时更新 T、A。这说明能力间存在依赖，也说明改进是间歇出现的。

右侧 PrisMem 的能力峰值边界整体超过 M★ 与 EvolveMem，最终程序实线又接近各能力历史峰值虚线，是"扩大探索边界，再整合局部收益"的直接证据。

十一、迁移与路由对照

1. GPT-5.5

方法	Overall	平均 Token
Mem0	57.77	180.21K
A-MEM	60.92	352.11K
HippoRAG2	57.73	193.52K
SimpleMem	52.36	121.39K
LightMem	46.68	94.05K
M★	60.75	97.47K
EvolveMem	46.77	94.39K
PrisMem	67.09	99.36K

Table 9：GPT-5.5 上的 BEAM 结果。 更换底层模型后，PrisMem 仍领先最佳 baseline 6.17 pp。

2. 跨模型与跨数据集

设置	迁移程序	目标环境直接进化
Qwen 进化，GPT-5.5 测试	67.25 ± 1.35 67.25\pm1.35 67.25±1.35	67.09 ± 1.79 67.09\pm1.79 67.09±1.79
BEAM 进化，LongMemEval 测试	76.50 ± 1.67 76.50\pm1.67 76.50±1.67	75.50 ± 1.80 75.50\pm1.80 75.50±1.80

Table 10/11：模型与数据集迁移。 冻结程序迁移后没有明显退化。

这说明 session date、speaker provenance、多查询分解和主题聚合等机制具有一定通用性。但只测试两个模型和两个数据集，不能推断任意环境都能迁移。

3. 路由还是统一程序

策略	Overall
Question-only router	57.74 ± 1.21 57.74\pm1.21 57.74±1.21
Oracle-label router	62.27 ± 1.14 62.27\pm1.14 62.27±1.14
PrisMem 统一程序	63.39 ± 1.02 63.39\pm1.02 63.39±1.02

Table 12：路由与整合。 即使用 oracle 能力标签路由 specialist，也不如统一程序。

Question-only router 受 48% 标签一致率限制。Oracle router 仍低 1.12 pp，说明复合问题往往需要多项能力，单个 specialist 覆盖不均衡。

十二、与 Agent Memory 系列的横向比较

1. A-MEM

A-MEM 优化记忆内容及其关联结构；PrisMem 优化生成和使用这些结构的程序。A-MEM 风格的关联机制可以成为 PrisMem 的初始实现或某个候选改动。

2. MAGMA

MAGMA 扩展记忆表示空间，用多视图承载不同关系；PrisMem 扩展程序搜索空间，在某种结构提高一项能力、伤害另一项时保留局部突破并处理冲突。

3. CoM

CoM 类方法组合记忆模块或内容；PrisMem 整合的是不同进化路径中已被执行验证的程序机制，并用差异案例解释为何有效。

4. ReMemR1

ReMemR1 在在线记忆更新时回调历史，避免内容层面的不可逆损失；PrisMem 在离线程序搜索时保留能力分支，避免优化路径的不可逆淘汰。

5. Mem²Evolve

两者都关注进化，但 PrisMem 明确增加能力坐标、specialist archive、依赖调度与轨迹整合，解决总体反馈压扁搜索空间的问题。

6. JAM

JAM 在回答时动态研究原始历史，解决 request-agnostic 压缩；PrisMem 在部署前改写程序，测试时运行冻结实现。二者可形成双层结构：PrisMem 离线优化 Researcher 与索引，JAM 在线按请求研究。

十三、对 Coding、Tool 与 Multi-Agent 的启发

以下是工程推演，不是论文直接实验。

1. Coding Agent

代码 Agent 同时需要定位、修改、测试、兼容、性能与安全。只用总体 pass rate 会掩盖"修复增强但测试回退"的策略。可为各能力维护 specialist，再用同一 issue 的 execution trace 整合互补行为。

2. Tool Agent

工具选择、参数构造、多步规划、结果校验、失败恢复之间存在依赖。跨能力错误压力可以发现"参数构造"是否成为多步规划任务的隐藏瓶颈，比固定轮询模块更有效。

3. Multi-Agent

可在同一任务上比较 planner、retriever、critic 的成功与失败轨迹，不只判断谁分数高，而是提取各角色的关键行为，写入共享协调策略。

4. 动态能力词表

真实系统还需要隐私、权限、来源可信度、成本与时延。工程上不应写死五类能力，而应从失败聚类中发现新能力，允许层次化、多标签和能力合并。

十四、局限性

1. 能力体系依赖人工归纳

五项能力覆盖当前 benchmark，但不是唯一分解。"对抗"同时包含拒答、矛盾与误导处理。论文未比较不同能力粒度，也未自动发现能力。

2. 离线标注依赖参考答案与证据

标签不会传给测试程序，因此不是测试泄漏；但真实日志常没有 golden evidence。如何只靠稀疏反馈构造可靠 primary/secondary 标签仍未解决。

3. 评分依赖 LLM judge

尽管温度为 0、运行三次，judge 噪声仍会影响单题分数，而能力调度、regression witness 和 specialist 选择都依赖这些分数。

4. 百万 Token 是长度泛化而非百万 Token 进化

程序在约 100K 历史上进化，再迁移到约 1M 测试。它不能证明在百万 Token 训练历史上持续进化的成本可接受，也不能覆盖千万 Token 或在线分布漂移。

5. 成本仍高

LongMemEval 的 20 轮进化消耗约 143.3M token。论文未报告完整墙钟时间、GPU 小时、美元成本、阶段成本拆分和程序验证失败率。当前更适合高复用服务，不适合每位用户独立进化。

6. Baseline 搜索空间不完全等价

EvolveMem 主要优化检索和回答配置，PrisMem 与 M★ 修改完整程序。因此性能差异同时受搜索策略和搜索空间影响，成本不能被理解成完全同构算法的纯效率比较。

7. 缺少多模态、工具与权限场景

实验只覆盖文本对话，没有图像、音频、工具执行记录、代码状态、多 Agent 共享记忆或企业权限边界。

8. 安全与审计不足

源码检查和复杂度测试不能解决越权检索、敏感信息持久化、Memory prompt injection、删除权、版本回滚和演化代码审计。功能正确不等于生产安全。

十五、我的理解与启发

1. PrisMem 让优化过程自己拥有记忆

它保存历史程序、每项能力冠军、程序谱系、案例差异和已诊断组合。传统总体进化只记住当前冠军；PrisMem 记住每个维度的局部冠军以及它为何成功。这本质上是搜索过程的结构化元记忆。

2. 总体分数是一种有损压缩

把 F、T、P、M、A 压成 Overall，会让"五项都中等"和"一项突破、另一项回退"的程序得到类似分数，但后者对后续搜索更有价值。

因此：

最终指标适合选择部署版本，却未必适合指导每一步探索。

搜索阶段需要保存更丰富的中间坐标。

3. specialist 的价值是制造可比较的反事实

specialist 最后不必被直接部署。它提供同一问题上"base 为什么失败、specialist 改了什么行为、收益与副作用是什么"的反事实。把代码差异与行为差异对齐，比只做自然语言 reflection 更容易形成可靠整合。

4. 能力依赖比单标签分类更真实

复杂任务不是简单"属于哪类"，而是由一个主要能力决定，同时依赖若干辅助能力。PrisMem 能发现一个看似不弱的能力是否正在卡住其他任务，这比只优化最低分更接近系统瓶颈分析。

5. 下一步是让能力空间本身进化

未来可以：

从失败 trace 聚类自动提出能力；
根据行为差异拆分或合并能力；
使用层次能力图；
同时优化准确率、成本、时延和安全；
让能力词表随数据分布变化。

十六、总结

PrisMem 不是再设计一种记忆数据库，而是改变搜索和改进记忆程序的方式。

整体进化把多能力反馈压成总分，会模糊修改方向，也会淘汰"局部提升、总体暂时回退"的有效分支。PrisMem 为每项能力保存 specialist，根据直接缺陷和跨能力压力选择目标，用历史高分但当前失败的案例诊断，再通过 paired differential cases 把互补机制整合为统一程序。

在 Qwen3.8-27B 上：

BEAM-1M 达到 63.39，比最佳自进化 baseline 高 10.54 pp；
LongMemEval-M 达到 75.50，比最佳自进化 baseline 高 7.83 pp。

去掉能力驱动进化下降 10.15 pp，直接验证了核心判断；迁移和 oracle router 实验又表明，结果不是简单题型路由，而是可迁移、覆盖复合能力的统一程序。

一句话总结：

PrisMem 让记忆程序不再只追逐单一总分，而是先保留各能力方向上的真实突破，再用执行轨迹把局部突破整合成更强的统一系统。

参考资料

Chen, Y. et al. Capability-Driven Self-Evolution of Agent Memory. arXiv:2610.06361, 2026.
Pan, et al. M★: Memory Self-Evolution for Large Language Model Agents. 2026.
Liu, et al. EvolveMem. 2026.
Xu, et al. A-MEM: Agentic Memory for LLM Agents. 2025.
Wu, et al. LongMemEval: Benchmarking Chat Assistants on Long-Term Interactive Memory. 2025.
Tavakoli, et al. BEAM. 2026.