Memory Sharing（MS, 共享记忆）框架-编程阁

共享记忆（Memory Sharing, MS）框架是为解决 LLM 智能体在开放式任务（如诗歌创作、计划生成）中示例不足、理解有限的问题而设计的，通过 “多智能体共享记忆池 + 实时记忆检索 / 更新”，强化上下文学习能力，让智能体在无大量预训练示例的情况下，也能生成符合预期的结果。

MS 框架核心定位与解决的痛点

核心定位：为 LLM 多智能体构建 “集体知识库”，将单个智能体的 “提示 - 回答（PA）对” 转化为所有智能体可复用的记忆，提升整体在开放式任务中的表现。
核心概念：MS 框架将每个智能体生成的（提示，回答）对（PA Pair）定义为 “一条经验记忆”，并将其视为核心 “知识资产” 存入全局共享记忆池。

MS 是一个旨在通过共享记忆来增强多个基于 LLM 的智能体性能的框架，同时保留其原始创造力

1. 传统智能体依赖 “单次提示内的示例”，开放式任务（如诗歌创作）因示例不全面，生成结果质量不稳定；
2. 单智能体记忆无法复用，不同智能体处理同类任务时需重复学习，效率低；
3. 对复杂逻辑任务（如横向思维谜题），单智能体难以理解多样化解题思路，易陷入固定模式。

- 检索策略：按预设规则确定提取记忆数量（如 “三拍学习” 策略，提取 3 条最相关记忆）；
- 提示构建：将 “原始查询 + 检索到的记忆（历史 PA 对）” 拼接，例如：原始查询：“写一首关于春天的十四行诗”检索记忆：[“提示：写春天的诗，需包含‘嫩芽’‘微风’；回答：《春日初醒》...”, “提示：十四行诗需 14 行，押韵格式 ABAB；回答：《春韵》...”]增强提示：“参考以下创作经验，写一首关于春天的十四行诗：1. 提示：写春天的诗... 2. 提示：十四行诗需...”

- 评分标准：由 LLM 自动生成领域适配的标准（如文学创作需 “符合体裁格式、语言流畅”，计划生成需 “逻辑清晰、覆盖核心需求”），再经人工审核校准一致性；
- 筛选逻辑：评分高于阈值（如 80 分）的 PA 对加入记忆池，低于阈值则丢弃，避免低质量记忆干扰后续检索；

- 检索依据：基于 “查询与记忆中‘提示’的语义相似度”（如用 Sentence-BERT 计算向量相似度）筛选记忆；
- 动态适配：随着记忆池扩容，检索器会调整匹配策略（如增加 “体裁”“任务类型” 等元数据过滤），提升检索精准度；

以 “Sonnet 智能体创作十四行诗” 为例：

检索记忆Sonnet 智能体接收到查询 “写一首关于秋日的十四行诗”，检索器从共享记忆池（含其他诗歌创作智能体的 PA 对）中，提取 3 条与 “十四行诗创作”“秋日主题” 相关的记忆。
生成回答检索到的记忆与原始查询拼接成 “增强提示”，Sonnet 基于此生成十四行诗，形成新的记忆候选（PA 对：“提示：写秋日十四行诗；回答：《秋颂》... ”）。
评分筛选评分器按 “十四行诗格式（14 行、ABAB 押韵）”“秋日主题契合度”“语言流畅性” 给新候选打分，若得 90 分（高于 80 分阈值），则通过筛选。
更新记忆与检索器达标后的 PA 对加入共享记忆池；同时，检索器用这条新记忆更新自身的相似性模型，后续其他智能体查询 “秋日诗歌创作” 时，能更快定位到这条记忆。
所有智能体（如 Sonnet、Limericks 创作智能体）共享同一记忆池，可跨智能体复用记忆 —— 比如 Limericks 智能体后续处理 “秋日打油诗” 查询时，也能检索到 Sonnet 的 “秋日主题” 记忆。

任务：让智能体解决 “‘什么东西越洗越脏？’（答案：水）” 这类依赖发散思维的谜题，共享 “逻辑谜题记忆池”。
结果：尽管 ROUGE 分数（词级重叠度）提升不明显，但 BERTScore（语义相似度）提升 42%，说明智能体能从记忆中吸收多样化解题思路，生成的答案更贴合语义逻辑（而非机械模仿）。
结论：记忆共享能帮助智能体突破固定思维，理解复杂逻辑。

任务：让智能体为用户生成 “7 天考研复习计划”“5 天云南旅行计划”，共享 “计划生成记忆池”。
结果：随着记忆池内 PA 对从 100 条增至 500 条，智能体生成计划的 “核心需求覆盖率” 从 65% 提升至 92%（如旅行计划从 “仅列景点” 升级为 “含交通、住宿、时间分配”）。
结论：记忆池扩容能让智能体逐步覆盖更多用户需求，生成更全面的计划。