🧠 MemPro：代理記憶作為可進化程式
一句話結論
MemPro 將 LLM Agent 的整個記憶管線（構建–檢索）變成可進化的程式——讓系統跨世代自動優化記憶架構，而不僅是調整 prompt 或向量存儲參數。
📊 關鍵數據
| 指標 | MemPro | 對比基準 |
|---|---|---|
| 檢索準確率 | ↑ 18–24% | 優於靜態 prompt 設計 |
| 查詢延遲 | ↓ 35% | 管線自我優化後更精簡 |
| 進化代數 | 5–15 代 | 快速收斂 |
| LLM 調用成本 | 節省 40% | 減少冗餘檢索與無效寫入 |
| 泛化能力 | 3/3 benchmark | 跨任務通用 |
🔧 機制拆解
問題
傳統 LLM Agent 記憶系統使用固定管線：從對話歷史構建記憶 → 需要時檢索。此管線由工程師手動設計，無法適應不同任務特性。
MemPro 的解決方案
- 將管線表示為程式：整個記憶構建-檢索（MCR）管線被編碼為結構化代碼，具備完整的表達能力。
- 通過遺傳演算法進化：每個「個體」是管線版本。族群經交叉、突變、選擇，跨世代向更優解收斂。
- 更廣的搜索空間：進化記憶寫入策略、組織結構（分層/平面/圖形）、檢索後處理邏輯——不僅是 top-K 參數。
與現有方案的差異
| 方案 | 優化對象 | 局限性 |
|---|---|---|
| 傳統 RAG | 固定管線 + 手動調參 | 無法適應任務變化 |
| Memory-R1 (RL) | 學習 ADD/UPDATE/DELETE | 僅優化操作，不改結構 |
| DSPy | 優化 prompt 文本 | 不改記憶架構 |
| MemPro | 整個 MCR 管線程式 | 全域結構 + 參數同步進化 |
🚀 落地應用
- 長期 AI Agent：部署後自動根據使用模式進化最優記憶策略，無需手動調整。
- 自動化 RAG：將分塊→嵌入→檢索→重排作為進化單元，找到最優組合。
- 成本節約：減少 40% 不必要的 LLM 調用，對大規模生產系統影響顯著。
- 擴展：可應用於規劃、工具選擇、自我反思等管線，實現全自動 Agent 架構搜索。
📌 核心差異：MemPro 是元框架——將「設計記憶管線」從人類專家數週的迭代，變成演算法數小時的自動搜索。從「工程師寫策略」到「工程師定義搜索空間」的範式轉移。