用于系统级个性化的内核管理共享内存
arXiv cs.AI · · 发布于 2026-09-11 · 3 分钟阅读
该研究关注多智能体系统中上下文无法共享的问题：一个代理学到的有用信息常难被其他代理使用。作者提出内核管理共享内存，这是一种系统级抽象，由专门代理写入结构化、带标签的记忆，而由代理系统内核而非单个代理负责检索、隐私执行和提示注入。他们在 AIOS 上实现并评估该设计，与三种替代方案比较，覆盖 GPT-4o、Llama-3.1:8B、Qwen-2.5:7B 三个助手模型，共进行 1800 次试验。与使用相同底层存储但未受管理的外部记忆后端 Mem0 相比，内核管理的检索与注入使个性化得分在 5 分制上提高 2.4 至 4.0 分，例如 GPT-4o 的档案使用率从 1.05 升至 4.69，且所有比较的统计显著性均小于 10^-18。与标准检索增强注入相比，三个模型的增益同样大且一致。与完整未过滤上下文拼接这一受可用上下文的软上限而非响应质量限制的基线相比，内核管理注入在两个模型上统计匹配，在第三个模型上有小的模型特定不足，但提示长度显著更短：三个模型的端到端延迟降低 15% 至 61%，每次调用的词元使用量和推理成本也相应下降。结果表明，将记忆管理集中到代理系统内核，而非交由单个代理负责检索与隐私执行，能以较低成本获得无约束上下文的大部分个性化收益。
当前来源仅提供摘要，以下要点基于摘要生成；可通过官方原文查看完整信息。核心主张
把记忆管理集中在智能体系统内核，而不是交给各个智能体自行检索与执行隐私策略，能以小得多的成本获得无约束上下文的大部分个性化收益。
系统抽象
内核管理的共享内存是一种系统级抽象：专用智能体只负责写入结构化、带标签的记忆；检索、隐私执行与提示注入由智能体内核掌握。
要解决的问题
多智能体系统中的一个常见困境是：某个智能体学到的有用上下文，往往无法被其他智能体使用，从而限制整体适应能力。
实现与评估平台
设计在 AIOS 上实现并评估，与三种替代方案对比，涉及 GPT-4o、Llama-3.1:8B、Qwen-2.5:7B 三个助手模型，共 1800 次试验。
对 Mem0 的对比结果
在底层存储完全相同的前提下，内核管理式检索与注入把个性化得分在 5 分制上提升 2.4 至 4.0 分，例如 GPT-4o 的档案使用率从 1.05 提升到 4.69，所有比较在 p<10^-18 下显著。
对检索增强式注入的对比
相比标准检索增强式注入，提升幅度同样大，并且在三个模型上表现一致。
对全量上下文拼接的对比
相比全量、未过滤的上下文拼接，内核管理式注入在三个模型中的两个上统计持平，在第三个上出现小幅且与模型相关的性能缺口；该基线更应被视作可用上下文的上限，而非回答质量的上限。
效率收益
三个模型的端到端延迟降低 15% 至 61%，单次调用 token 用量与推理成本也相应下降。