MemPilot：为 LLM Agent 编排按需多模态记忆策展

论文指出，记忆已成为 LLM Agent 生态的重要组成部分，但多数现有记忆系统以查询无关方式构建记忆，既产生不必要的预处理成本，也可能丢弃后续关键的细节；近期研究转向运行时自适应，但通常局限于特定操作或固定处理方案，对性能、成本与延迟的灵活控制仍待探索。作者提出 MemPilot 框架，通过强化学习优化多步 LLM 策略，在从查询无关记忆中检索与将原始多模态历史的查询特定策展委托给异构 LLM/VLM 之间迭代选择，以适配不同的性能-成本-延迟偏好。

AI推荐理由 针对现有 Agent 记忆系统查询无关构建导致预处理成本高、丢弃关键细节的问题，提出 MemPilot 框架，用强化学习优化多步 LLM 策略，在检索查询无关记忆与委托异构 LLM/VLM 做查询特定策展之间迭代选择，以适配性能-成本-延迟偏好。问题定义清晰，但摘要未提供具体评测结果。