MemCon：动态记忆管理提效
新框架MemCon通过强化学习动态调整LLM智能体的记忆检索策略，实验显示其能显著提升任务成功率并降低Token消耗。
重要性局部证据E2 未复现写法快讯
MemCon框架将LLM智能体的记忆操作建模为马尔可夫决策过程，通过在线学习策略动态决定何时、检索多少记忆。
现有智能体多依赖固定的启发式规则访问外部记忆，这在任务早期或长期运行中往往效率低下。MemCon采用轻量级上下文老虎机算法，无需预训练或额外LLM调用即可收敛。
作者在6个基准测试、3种智能体框架和3种LLM骨干网络上的实验表明，该方法相比多种记忆基线，任务成功率最高提升15.2个百分点，同时Token消耗减少5%至20%。
该结果为预印本自报数据（arXiv:2607.13591v2），尚未见独立第三方复现验证。