# 策展 · X (Twitter) 🔥

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 作者：Ksenia_TuringPost (@TheTuringPost) · 平台：X (Twitter) · 日期：2026-04-10

> 原始來源：https://x.com/theturingpost/status/2042386614568325404

## 中文摘要

「Memory Intelligence Agent (MIA)」透過 Manager-Planner-Executor 架構，讓 AI 從被動紀錄轉向主動策略演進。

「Memory Intelligence Agent (MIA)」是由華東師範大學與上海智慧研究院共同開發的記憶框架，旨在解決深度研究 Agent (DRA) 常見的記憶臃腫與推理效能瓶頸。該框架將 Agent 的記憶系統從單純的「資料儲存」轉化為「經驗學習」，透過 Manager-Planner-Executor 的三元架構，讓 Agent 能在複雜任務中自主演進，並實現更精準的推理。

**核心架構與運作機制**
MIA 徹底改變了傳統 Agent 依賴大量上下文堆疊的記憶方式，改採結構化的分工機制：
- **Manager (管理者)**：作為非參數化記憶系統，負責儲存並壓縮歷史搜尋軌跡，消除冗餘資訊，避免記憶庫過度膨脹。
- **Planner (規劃者)**：作為參數化記憶 Agent，負責根據問題制定搜尋策略，並透過「持續測試時間學習 (Continual Test-Time Learning)」在推理過程中即時優化策略。
- **Executor (執行者)**：作為精準執行工具，根據規劃者的藍圖進行資訊搜尋與分析，並透過 ReAct 風格的循環（思考 → 行動 → 觀察）執行任務。

**記憶演進與協作模式**
MIA 不僅是儲存資訊，更強調記憶的「演化」與「協作」：
- **雙向記憶轉換**：建立非參數化記憶（明確儲存的範例、工作流）與參數化記憶（模型內部的學習權重）之間的雙向轉換迴圈，實現記憶的動態更新。
- **交替強化學習 (Alternating RL)**：透過強化學習打破靜態記憶的僵局，確保 Manager、Planner 與 Executor 能夠協同運作，形成一個具備自我反思與判斷能力的完整系統。
- **自我修正機制**：在執行過程中，若遇到失敗或停滯，Executor 會回報狀況，Planner 隨即進行反思並更新計畫，僅在必要時才重新嘗試，有效提升資源利用率。

**技術突破與效能表現**
實驗數據顯示，MIA 在多項基準測試中展現了顯著的優勢，證明了其在處理複雜任務時的有效性：
- **效能提升**：在多項基準測試中，MIA 成為新的 SOTA (State-of-the-Art) 記憶 Agent，平均準確率提升約 5.5%，在多跳 (multi-hop) 等複雜任務上最高提升達 9.1%。
- **小模型逆襲**：基於 7B 參數的 Qwen-2.5-VL 模型，在 MIA 框架加持下，其表現可媲美甚至超越部分封閉原始碼的大型模型，證明了該框架能有效釋放小模型的潛力。
- **跨領域能力**：MIA 在文字與多模態任務中均表現強勁，並能透過測試時間學習持續優化，解決了傳統 Agent 記憶雜亂、推理失敗的痛點。

**對現有技術的批判與反思**
開發團隊明確指出當前深度研究 Agent 的根本瓶頸：
- **記憶臃腫**：Agent 往往被困在海量長文本中，導致注意力分散，且維護成本高昂。
- **缺乏策略學習**：現有 Agent 多數僅在記憶「結果是什麼 (what)」，卻完全忽略了「如何達成結果 (how)」的過程。
- **無效的規劃**：傳統架構中，規劃者往往依賴無效的記憶檢索與不完整的上下文提示，導致執行者在缺乏準備的情況下進行研究，MIA 的出現正是為了終結這種「被動紀錄者」的模式，將其轉型為「主動策略家」。

## 標籤

Agent, 研究論文, 開源專案, 華東師範大學, 上海智慧研究院, MIA