当前卡片以一手 arXiv 摘要和索引元数据为主,表格用于定位问题,不代表对实验优劣的完整排序。

工作 主要记忆/改进对象 写入或更新 后续如何使用 闭环边界
Generative Agents 经验与反思 observation 汇总成 reflection 规划时按相关性/重要性/近因检索 主要证明模拟行为可信度
MemoryBank Enhancing Large Language Models with Long-Term Memory 对话和用户信息 长期记忆更新与选择性遗忘 个性化回复 需看长期事实准确性和隐私评测
MemGPT Towards LLMs as Operating Systems 上下文与外部存储 显式分页和记忆调用 控制上下文流入/流出 记忆控制架构,不是自我改进算法
Reflexion Language Agents with Verbal Reinforcement Learning 失败/成功经验 反馈转自然语言反思 episodic buffer 条件化下一试次 经验闭环;不更新权重
Voyager An Open-Ended Embodied Agent with Large Language Models 可执行技能 经验形成并修订代码技能 检索、调用和组合技能 能力积累受环境范围限制
ExpeL LLM Agents Are Experiential Learners 策略性经验 从任务轨迹提取文本经验 按新任务检索 需要排除答案泄漏和任务记忆
Self-Refine Iterative Refinement with Self-Feedback 当前输出 生成自反馈并重写 同一任务中多轮精炼 test-time compute,不等于持久 RSI
HippoRAG Neurobiologically Inspired Long-Term Memory for Large Language Models 实体与关系图 从文本构建知识图 PPR 传播后检索证据 memory substrate,不自我演化
A-MEM Agentic Memory for LLM Agents 记忆网络结构 新记忆触发链接和历史重写 通过关联网络检索 需验证重写忠实度和结构收益
Mem0 Building Production-Ready AI Agents with Scalable Long-Term Memory 长期事实与图记忆 抽取、合并、更新或删除 低成本持久上下文 需按正文核对质量-成本协议
The AI Scientist Towards Fully Automated Open Ended Scientific Discovery 科研工作流产物 想法、代码、实验和评审循环 反馈驱动后续研究步骤 自动化产物不等于可靠科学发现
Darwin Godel Machine Open Ended Evolution of Self Improving Agents agent 程序变体 自修改并经 benchmark 筛选 archive 中继续演化 需要 held-out 与独立安全评价

阅读这张表时的判断顺序

  1. 先问系统实际保存和改变了什么。
  2. 再问反馈信号是否独立于生成过程,失败时能否定位来源。
  3. 最后看评价是否覆盖同任务、多任务、held-out、成本和安全。

完整问题标签见 领域地图 和 开放问题与判别实验。