内在记忆智能体：通过结构化上下文记忆实现的异构多智能体LLM系统

基于大型语言模型（LLMs）构建的多智能体系统在复杂协作问题求解方面展现出巨大潜力，但其仍面临根本性挑战，主要源于上下文窗口的限制，这些限制导致记忆一致性、角色遵循性以及程序完整性受损。本文提出了一种名为“内在记忆智能体”（Intrinsic Memory Agents）的新框架，通过结构化的、随智能体输出内在演化的专属记忆机制，有效应对上述挑战。具体而言，我们的方法维护了与角色对齐的记忆模板，在聚焦任务相关性信息的同时，保持了各智能体的特定视角。我们在PDDL数据集上对所提方法进行了基准测试，将其性能与现有最先进多智能体记忆方法进行对比，结果显示在保持最高令牌效率的前提下，性能提升了38.6%。此外，我们在一个复杂的数据管道设计任务上进行了额外评估，通过五个指标——可扩展性、可靠性、可用性、成本效益和文档完整性——进行比较，结果表明我们的方法生成的设计质量更高，并辅以定性证据进一步验证了改进效果。研究结果表明，通过结构化、内在化的记忆机制来应对记忆限制，能够显著提升多智能体LLM系统在结构化规划任务中的能力。