研究團隊提出 HiCoMER 框架，針對 LLM 代理程式在...

研究團隊提出 HiCoMER 框架，處理 LLM 代理程式的記憶管理問題

針對大型語言模型（LLM）代理程式在團隊協作環境中遇到的記憶管理難題，研究團隊提出一套名為 HiCoMER 的新框架。這項研究由 Yufei Shi、Rujing Yao、Ang Li、Yang Wu、Zhuoren Jiang 以及 Xiaozhong Liu 共同完成，於 2026 年 9 月 9 日提交至 arXiv（編號 2609.30289）。研究目標是改善代理程式在團隊場景下的記憶機制，做法是建立層級結構並評估記憶的有效性，藉此克服現有系統因採用扁平化檢索方式，容易引用過時或衝突資訊的問題，讓代理程式能根據當前有效的共識來回應。

團隊與個人記憶的差異問題

在團隊協作場景中，記憶呈現異質且持續變動的特性。研究指出，團隊記憶主要用來記錄集體決策、協議與當前的共識狀態；個人記憶則保存成員各自的觀察結果、執行軌跡與中間進度。這種雙重記憶結構內容豐富，但也讓管理變得複雜。現有的記憶增強系統通常把所有儲存的記憶當成一個扁平池子，依照語義相關性、重要性或新近程度排序，卻沒有對層級結構或記憶有效性的演變做建模。

這種扁平化處理方式，讓系統經常檢索出語義相關、但實際上已過時或彼此矛盾的記憶，尤其是那些已不符合當前團隊共識的個人記憶。對於需要回答使用者問題的協作型 LLM 代理程式來說，這問題更明顯，因為回應必須建立在有效的記憶上，而不是陳舊或矛盾的資訊。

HiCoMER 框架的三個核心組件

為了處理這個問題，研究團隊提出 HiCoMER 框架，核心概念是維護團隊與個人記憶的有效性，只檢索仍然有效的記憶，而不是直接從所有儲存的記憶中檢索。HiCoMER 架構包含三個主要組件：層級記憶衝突更新器（Hierarchical Memory Conflict Updater）、有效性感知記憶檢索器（Validity-Aware Memory Retriever），以及記憶接地答案生成器（Memory-Grounded Answer Generator）。

新數據集與實驗結果

為了評估 HiCoMER 框架的效能，研究團隊建立了兩個新的數據集，專門用於協作環境下的記憶接地問答任務。實驗結果顯示，在這兩個數據集上，HiCoMER 的表現持續優於強勁的基準模型。具體來說，這個框架減少了過時記憶被檢索的情況，保留了當前的團隊共識，並提升了下游問答任務的品質。

這項研究強調「並非所有記憶都同等重要」，透過引入層級協作記憶與有效性感知檢索機制，為 LLM 代理程式在複雜團隊協作場景中的記憶管理提供了新做法。