Metis：融合文本与代码记忆，让智能体自主进化

自进化智能体通过提炼过往执行经验并复用于未来任务来实现持续改进。现有系统通常将经验表示为注入智能体上下文的自然语言文本，或作为可调用工具暴露的代码。然而，这两种表征方式的选择往往在设计阶段就已固定，而非根据经验本身的特性动态决定，导致其间的权衡关系未被充分理解。

一项最新研究首次在相同经验集上对文本记忆和代码记忆进行了对照实验。结果显示，这两种形式在构建成本、执行效率和可迁移性方面表现出互补性，单一表征均不足以满足需求。基于此发现，研究者提出了Metis——一个基于分层双表征记忆架构的自进化智能体系统。

Metis将文本经验组织为执行计划、环境事实和常见陷阱三类，并选择性地将频繁复用的计划结晶为经过验证的可调用工具。这种设计既保留了文本记忆的广泛适用性，又兼具代码记忆的高执行效率，同时仅在重复复用合理时才承担工具生成成本。

在交互式智能体挑战性基准AppWorld上的评估表明，Metis相比ReAct方法将任务准确率最高提升20.6%，同时执行成本降低达22.8%。与代表性自进化智能体系统相比，Metis在准确性、执行效率和记忆构建成本之间实现了更优的平衡。该研究为智能体经验表征提供了新的设计思路，相关论文已发布于arXiv预印本平台。