标题Just-in-Time Memory: Learning to Curate Task-Adaptive Memory for LLM Agents来源arXiv, 2609.27334v1️文章简介研究问题现有的AI智能体记忆系统通常在任务结束时就将经验固化为固定摘要导致信息过早丢失且无法适应未来未知的具体任务如何解决这种“写时固化”带来的局限性主要贡献提出JITMEM框架将记忆提炼推迟到读取时刻根据当前任务动态生成定制化指导显著提升了智能体在复杂任务中的成功率。重点思路改变记忆处理时机传统方法在写入时蒸馏经验JITMEM则在写入时仅保存原始的、未经处理的完整任务轨迹避免任何信息的不可逆丢失。读取时动态策展当新任务到来时系统先检索相关的原始轨迹然后由一个可训练的“记忆策展人”结合当前任务的具体需求从原始轨迹中提取最相关的策略合成紧凑的任务自适应载荷。简化训练信号由于生成的记忆载荷直接用于解决当前任务策展人的奖励信号是即时的任务成功与否避免了传统方法中因奖励延迟而需要人为分组任务的复杂信用分配问题。模块化架构设计系统包含记忆库、检索器、策展人和执行器。其中只有策展人是可训练的执行器保持冻结使得训练好的策展人可以无缝迁移到更强的执行模型上。分析总结性能显著提升在ALFWorld、WebShop和τ2-bench三个基准测试中JITMEM的成功率分别比最强基线高出16.2、16.3和3.9个百分点证明了读取时策展的有效性。无需训练已具竞争力即使不使用强化学习训练仅依靠读取时根据任务动态提取信息的机制其表现也已媲美或超越传统的写时记忆方法说明任务自适应本身是性能提升的主要来源。效率更高相比基线方法JITMEM生成的上下文更紧凑减少了约50%的输入Token和约30%的执行步数实现了更高的信息密度和执行效率。关键组件验证消融实验表明保留原始轨迹、仅存储成功轨迹以及基于当前任务的适应性提炼这三个设计选择各自独立地贡献了性能提升缺一不可。个人观点论文颠覆了“记忆必须预先总结”的思维定势而是根据当下目标重新构建。