AutoMem: Framework a Gradiente Testuale per la Ricerca Automatica di Architetture di Memoria in Agenti LLM

Un recente articolo di ricerca, 'AutoMem: A Text-Gradient Recursive Self-Improvement Framework for Automated Memory Architectures Search', è disponibile su arXiv (ID: 2608.14621). Questo studio affronta il complesso problema della creazione di sistemi di memoria a lungo termine per agenti basati su grandi modelli linguistici (LLM), concentrandosi su codifica, archiviazione, recupero e gestione della memoria. Gli autori definiscono uno spazio di ricerca discreto composto da 5 codificatori, 5 archivi, 6 recuperatori e 4 gestori, rivelando che nessuna architettura di memoria eccelle in tutti i compiti; invece, diversi compiti preferiscono combinazioni di moduli distinte, con conseguenti notevoli disparità di prestazioni. Per risolvere questo problema, introducono AutoMem, che impiega la Ricerca di Architetture Guidata dall'Esperienza e la Diagnosi dei Moduli Guidata dagli Errori per migliorare la ricerca di architetture di memoria adattive ai compiti. L'articolo sottolinea la necessità di architetture di memoria adattabili negli agenti LLM e presenta un metodo innovativo per automatizzare il processo di ricerca.