不调参，只写代码！JeffClune团队新作：MetaAgent自动演化记忆模块

本文介绍了Jeff Clune团队提出的ALMA系统，该系统旨在解决智能体开发中记忆模块设计的痛点。背景方面，当前智能体的记忆处理多依赖人工设计的启发式规则，如RAG或滑动窗口摘要，这些方法脆弱且难以迁移到不同任务。研究目的是通过元学习和代码生成，让一个元代理自动在代码空间中搜索、编写并演化出最适合特定任务的记忆逻辑，从而摆脱对人工先验的依赖。ALMA继承了前序工作ADAS的代码生成范式和DGM的进化策略，其工作机制包括构思、规划、实现和评估四个阶段，生成可执行的Python代码来定义记忆的数据结构、更新和检索逻辑。实验在TextWorld、ALFWorld、MiniHack和Baba Is AI四个环境中进行，结果显示ALMA在成功率上优于主流基线方法，尤其在长程规划任务中表现突出，并且展现出良好的跨模型迁移能力和成本效率，能以更少的token消耗获得更高性能。结论表明，ALMA代表了一种从神经网络向AI生成算法过渡的可能性，通过自动化设计记忆架构，为通用智能体的发展提供了新方向。