工作概况#

在沙盒环境中部署25个LLM智能体，核心贡献是提出记忆、检索、反思、计划架构，打破传统NPC限制，涌现出真实的长期规划与社交行为。

记忆机制#

• 记忆流 (Memory Stream)：按时间序列记录所有观察和想法的全局数据库。

• 检索 (Retrieval)：通过三维函数计算优先级，提取最相关记忆作为上下文：

  $Score = Recency + Importance + Relevance$

  (最近性 + LLM评估的绝对重要性 + 向量语义相关度)

• 反思 (Reflection)：当最新记忆重要性得分累计达标时触发。LLM将底层碎片信息归纳为高层洞察 (Insight)，作为新节点存回记忆流。

优缺点#

• 亮点：
  • 突破上下文瓶颈：“检索+反思”起到了完美的信息压缩作用。
  • 认知动态演化：支持从基础观察提炼高级经验，维持长期人设一致性。
• 不足：
  • 计算开销极大：频繁依赖LLM调用打分与总结，性能延迟高。
  • 逻辑任务短板：基于语义和衰减的检索偏向社交闲聊，在数学推理或复杂代码工程等强逻辑场景中，极易丢失关键状态变量，导致逻辑链条断裂。
  • 错误级联：反思阶段生成的幻觉会被作为高权重新记忆存入，导致智能体后续的推理产生不可逆的认知偏差

总结：不适合借鉴到VLA中