跳转至

CoVeMem：可训练的协同向量 Agent 记忆

复现级别：核心机制 + L2.1 无 oracle 评测。 实现候选集检索、向量记忆 bank 和 soft-token read 诊断。

论文信息

字段 内容
论文链接 arXiv 2608.26895
公司 / 机构 深圳技术大学（第一作者第一署名单位）
首次公开日期 2026-08-27（arXiv v1）
原作者代码 否：未发现原作者公开代码（核查日期：2026-08-29）
本地 adapter / 方法 covemem
本地复现代码 src/auto_research/agent_research/latest_20260829.py

原始论文总结

背景与主要改动

文本记忆要反复调用 LLM 重写，且丢掉全目录协同几何。CoVeMem 用冻结 LightGCN 状态构造 bank，由当前候选集检索相关历史，投影成 soft token，并通过语义对齐和 masked listwise 联训让 LLM 真正读取记忆。

flowchart LR
  G[LightGCN user/item states] --> B[向量记忆 bank]
  C[候选集] --> R[相关历史检索]
  B --> R
  R --> P[projector soft tokens]
  P --> L[masked listwise + pointwise readout]

原论文关键图

CoVeMem：可训练的协同向量 Agent 记忆 原论文 Figure 2

原论文 Figure 2（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ M_C=\operatorname{TopK}_{h\in H_u}\operatorname{sim}(e_h,\bar e_C),\qquad \mathcal L=\mathcal L_{align}+\lambda\mathcal L_{list}. \]

论文离线与线上效果

四个 InstructRec benchmark 的 20 个指标格中 19 个持平或领先最强文本协同记忆；静态 profile 后记忆维护新增 LLM 调用为 0。

本地复现

ToolRoute-L2.1 三 seed：joint success 0.7708，plan F1 0.8004，平均成本 4.5197。

指标见 metrics/toolroute-l2-seeds42-44.json。批次索引见 ../../experiments/latest-20260829-seed42.json。

复现边界

未训练 LightGCN/LoRA checkpoint；本地验证候选条件向量读取和零文本重写控制流。