כתבה
arXiv cs.AI ·
MemCo: תכנון-מח-קולבורציה לכללייזציה של סוכני LLM לאזורי סביבה לא נראים
MemCo: Memory-Centric Collaboration for Generalizing LLM Agents to Unseen Environments
MemCo הוא פרקטיקה של תכנון-מח-קולבורציה שמטרתה לכללייזציה של סוכני LLM לאזורי סביבה לא נראים. הפרקטיקה משתמשת במח-קולבורציה לשיתוף זיכרון בין סוכנים, כדי לשפר את היכולת שלהם לטפל באזורי סביבה לא נראים. MemCo נבחן באמצעות ניסויים שהראו שהיא משפרת את הצלחת המשימה ומקטינה את החיפוש המיותר.
תקציר מקורי באנגליתarXiv:2610.07376v1 Announce Type: new Abstract: Large language model (LLM) agents increasingly operate in interactive environments, where they need to make sequential decisions through observation, action, and feedback. Although memory can help agents reuse experience, existing work designs memory in isolation, where collecting enough trajectories to populate it is expensive. Existing shared-memory approaches mitigate isolated experience by pooling episodic memories across tasks and environments. However, retrieving shared memory is challenged by the granularity, where retrieved memories can be either too specific to preserve current grounding or too coarse to support the next action. In this work, we propose MemCo, a memory-centric collaboration framework for generalizing LLM agents to un
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית