最新文章

通过将六种代理型AI模式（如多代理协作、持久性记忆等）与动态演进的用户画像相结合，提出了一个能同时满足适应性、一致性和定制化需求的框架，显著提升了大语言模型代理在长期交互中的个性化水平。

这篇论文的核心贡献是提出了一种生成智能体（Generative Agents）架构，该架构通过将大语言模型与长期记忆、反思和规划机制相结合，使计算智能体能够在大规模交互环境中展现出可信的、具有长期连贯性的人类行为模拟。

这篇论文的核心贡献是提出了一种名为 A-Mem 的新型大语言模型（LLM）智能体内存系统，它通过借鉴"卢曼卡片盒"（Zettelkasten）方法，实现了内存结构的自主构建、动态链接和持续进化，从而显著提升了智能体在复杂长期交互中的推理能力。

该论文的核心贡献在于提出了主动记忆提取框架（ProMem），它借鉴认知神经科学中的复发处理理论（RPT），通过引入自我提问的循环反馈机制，将大模型（LLM）对对话历史的记忆处理从"被动、一次性"的总结提升为"主动、迭代"的认知过程，从而显著增强了记忆的完整性与准确性。

这篇论文的核心贡献是提出了 HippoRAG，这是一个受神经生物学启发的检索框架，通过将大语言模型（LLMs）与知识图谱以及个性化 PageRank 算法协同，模拟人类海马体的记忆索引功能，从而实现了比现有方法更高效、更深入的跨文档知识集成与推理能力。