【第577期】Memex：基于索引经验记忆的长程大模型智能体量化策略
Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。
如果你想要解读自己的论文，获得更多曝光度。请联系小助手微信：seventy3_podcast 加群。合作邮箱：zhiwudazhanjiangshi#gmail.com
今天的主题是：
Memex(RL): Scaling Long-Horizon LLM Agents via Indexed Experience Memory
Summary
在大语言模型（LLM）智能体执行长程任务时，有限的上下文窗口是一个根本性的瓶颈。随着执行轨迹的增长，在上下文中保留工具输出和中间推理很快变得不可行：工作上下文会变得过长，最终超过上下文预算，并且即使久远的信息仍然存在，也难以被有效利用。现有的解决方案通常通过截断或生成运行摘要来缩短上下文，但这些方法在本质上是有损的，因为它们压缩或丢弃了过去的证据本身。
我们引入了 Memex，一种索引式的经验记忆机制，它在压缩上下文的同时并不丢弃证据。Memex 维护一个紧凑的工作上下文，由简练的结构化摘要和稳定的索引组成，同时将完整的、保真的底层交互存储在这些索引下的外部经验数据库中。智能体随后可以自行决定何时对索引进行解引用（dereference），以恢复当前子目标所需的精确历史证据。
我们利用强化学习框架…
The skinny
The skinny isn't ready yet — notes appear once the transcript is processed.