AutoMem：把记忆管理变成一种可训练的认知技能

文件系统操作作为一等公民

AutoMem 的核心设计极简：把文件系统操作（read、write、search、append、create）提升为和任务动作（移动、攻击、合成）同等地位的动作。模型在同一次 forward pass 里，既可以选择"向北走"，也可以选择追加内容到笔记里。每个记忆决策都是可追踪的动作，完整记录在轨迹中。

这看似简单，但把记忆从"架构模块"变成了"行为技能"。传统 RAG、scratchpad、summary buffer 都是预设的固定机制——系统决定了怎么记，模型只能被动使用。AutoMem 让模型自己决定记什么、什么时候查、怎么组织。

图3：AutoMem 框架。两个外循环（scaffold revision + memory proficiency training）驱动内循环 agent 的记忆技能提升，推理时部署两个模型实例。

两个自动优化循环

记忆技能沿两个轴提升：结构（scaffolding）和熟练度（proficiency）。但长时任务里，一个 episode 可以跑上万个 step，一个记忆错误可能隐藏几千步才暴露——人类根本没法审查完整轨迹。

AutoMem 的解法是用一个更强的 LLM（meta-LLM）充当"代码审查者"，通过两个外循环自动化这两个轴的优化。

循环一：结构优化。 meta-LLM（Claude Opus 4.6）读取完整的 agent 轨迹，诊断记忆使用的失败模式，然后迭代修改 agent 的代码、prompt 和记忆文件 schema。比如在 Crafter 游戏里，meta-LLM 发现 agent 反复尝试不可能的合成操作，就在 scaffold 里加了一个材质检查门——合成前先验证是否拥有所需材料，否则阻止动作。Crafter 经过 5 轮迭代，MiniHack 4 轮，NetHack 2 轮。

循环二：熟练度训练。 在最终 scaffold 上跑大量 episode，meta-LLM（Claude Opus 4.7）从轨迹中筛选"好的记忆决策"作为监督数据，用 LoRA 微调一个专门的 memory specialist。关键是只训练记忆操作部分，不动任务动作的模型权重——通过两个模型实例共享对话历史的方式部署。这保证了记忆技能的提升不会损害已有的任务执行能力。

图1：Memory skill optimization。从 base agent（v0）出发，通过 scaffold 优化和 memory proficiency 训练，三个游戏上均获得显著提升。

不改模型权重，性能翻倍

结果令人印象深刻。用 Qwen2.5-32B-Instruct 作为 base model，只优化记忆（完全不动任务动作的权重），三个程序化生成的长时游戏上获得 2x–4x 的提升：Crafter 25%→51.4%，MiniHack 7.5%→30%，NetHack 0.42%→1.85%。

更关键的是对标：优化后的 32B 模型大幅超越 Qwen2.5-72B，达到 Claude Opus 4.5 和 Gemini 3.1 Pro Thinking 的水平。这意味着在长时任务上，良好的记忆管理比模型规模更有效。

图4：scaffold 优化对行为指标的影响。无效动作率下降32-65%，冗余写入减少68-83%，空检索率降低13-50%。

对 Agent 设计的启示

AutoMem 最重要的洞见不是技术上的，而是观念上的：记忆管理是一种独立可学的技能，和推理、规划一样值得被专门训练。

这和当前 agent 框架（OpenClaw 等）的做法形成了鲜明对比。大部分框架的记忆是预设架构——代码决定了怎么存、怎么取。AutoMem 提出的问题是：如果让模型自己学怎么管理记忆，效果会不会更好？答案是肯定的，而且提升幅度远超预期。

第二个启示是 meta-LLM 驱动的自动化优化。长时任务的轨迹审查是人类无法完成的，但 Claude Opus 4.6/4.7 可以读取上万步的完整轨迹并给出精确的诊断和修改建议。这实际上是一种"LLM 做 LLM 的 system engineer"的模式——用更强的模型来优化 agent 的非参数组件（代码、prompt、数据选择）。

局限也很明显：当前记忆是 episodic 的（每次 episode 重置），不支持跨 episode 的持久记忆；只在游戏环境验证；每个环境需要独立优化 scaffold。但从 32B 撑到 frontier 级别这个结果，足以说明记忆技能的杠杆率有多高。