智能体与自主科学
突破级
暂无讲解视频
收录解读
现有 agent memory 大多是 per-agent 设计：memory 既绑定任务，也绑定某个模型自己的推理风格。这在异构 agent 联合部署里会立刻变成问题，因为同一份 memory 迁移给不同 agent 时，往往会把模型私有偏好和任务不变量混在一起，反而伤害效果。MemCollab 处理的正是这个共享 memory 难题。
它提出一种 cross-agent collaborative memory 构造方式：先让不同 agent 在同一任务上产生 reasoning trajectories，再通过 contrastive trajectory distillation 提炼出更抽象的 shared reasoning constraints，把任务级不变量保留下来，同时抑制 agent-specific artifacts。检索阶段再用 task-aware retrieval 按任务类别调取相关约束。
这篇工作的价值在于它把“memory 是否可跨 agent 共享”从默认假设变成了明确方法问题，并给出了一条可复用路线：shared memory 不能是 agent-specific trace 的简单搬运，而应当经过跨 agent 对比蒸馏。对于多模型协作、异构 agent orchestration 和长期运行的 agent infra，这个思路有明确外溢。
它仍是 breakthrough 而不是更高一级，因为当前验证主要集中在数学推理和代码生成，离更广泛的开放环境、工具使用、多模态或真实企业工作流还有距离。共享 memory 在长期演化中的稳定性和写入污染问题也仍需要更强证据。