尊敬的 OceanBase AI SIG 成员：
我们诚挚邀请您参加本周五 (2025.12.19) 的 AI 技术分享会，本次会议将聚焦于 AI 记忆管理领域的最新研究成果。我们特别精选了三篇 2025 年顶级会议论文，它们分别从不同角度探索了如何让 AI 系统更有效地记忆和利用历史信息，从而提升长期任务处理能力。期待与各位深入探讨！
会议议程
主题：【社区】OceanBase AI SIG 周会
时间：12月19日 周五 15:00 - 16:00 （GMT +8:00）
会议号：581800573
入会链接：加入钉钉会议
可通过浏览器直接入会，无需下载钉钉。
分享嘉宾：
李铭扬：北京邮电大学 人工智能学院 硕士研究生
目前北京邮电大学人工智能学院研究生在读，研究兴趣聚焦于智能体认知记忆、多智能体协作。
分享内容：
1. 论文分享
- Agent Workflow Memory（ICML 2025）
- In Prospect and Retrospect: Reflective Memory Management（ACL 2025）
- Lessons Learned: A Multi-Agent Framework for Code LLMs to Learn and Improve（NeurIPS 2025）
2. 自由交流与问题解答
论文亮点预览
-
Agent Workflow Memory (ICML 2025)：
该研究提出了一种让 AI 智能体学习并复用任务工作流程的记忆机制。通过识别和存储可重复使用的任务步骤序列（工作流），显著提升了复杂任务的成功率，在 Mind2Web 和 WebArena 数据集上分别提高了 24.6% 和 51.1% 的相对成功率。此技术特别适用于需要多步骤交互的场景，如网页导航、自动化运维等，能有效减少重复推理，提升任务执行效率。 -
In Prospect and Retrospect: Reflective Memory Management (ACL 2025)：
这篇论文引入了前瞻性和回顾性反思的双向记忆管理机制，解决了长期对话中记忆碎片化和检索僵化的问题。前瞻性反射动态组织对话记忆，回顾性反射则通过强化学习优化检索，使对话代理能够保持更连贯和个性化的交互。实验表明，在 LongMemEval 数据集上，该方法比无记忆管理的基线提高了 10% 以上的准确率。 -
Lessons Learned: A Multi-Agent Framework for Code LLMs to Learn and Improve (NeurIPS 2025)：
该研究提出了一种多智能体框架，使代码 LLMs 能够通过协作学习和经验共享来持续优化自身性能。通过分层智能体架构和优先经验回放机制，实现了代码生成任务的记忆优化与自进化能力。此框架特别适合处理大规模代码生成和优化场景，每个智能体独立管理小规模代码记忆，但通过任务分解和层级组合形成全局记忆网络，支持动态扩展。
三篇论文的共同点在于：均关注动态环境下的记忆管理，通过优化记忆组织或检索提升模型性能，并结合强化学习或类似机制实现记忆的自适应更新。区别在于：AWM 专注于结构化工作流的记忆，RMM 注重非结构化对话记忆的动态组织，而 Lessons Learned 则探索分布式代码记忆的协作优化。
我们期待与各位共同探讨这些前沿技术如何与各自的业务场景结合，以及可能的改进方向。请提前 3 分钟进入会议，准备好您的思考和问题！
OceanBase AI SIG 团队
论文资料
