Filesystem-Based Memory for LLM Agents: Organization, Evolution, and Sustainability

该研究首次系统探索LLM agents使用文件系统作为长期记忆的可行性与效率。他们形式化了三角色设定：管理agent整合内容、搜索agent回答查询、执行agent提供任务轨迹并提炼技能。通过长对话和具身任务基准，对比多种记忆形状（如分层、原文转储、块检索）和工具集，发现结构化组织仅节省检索成本（约减半），但当前agents无法维持组织，且组织化未提升答案质量。此外，改变工具集对记忆形状的影响与更换模型相当。

• 对导购agent的启示：当前AI无法从文件系统组织中获得直接答案质量提升，但检索成本降低。可先采用简单文档转储+强检索，而非复杂层级，优先优化搜索工具。\n- 改变判断：过去假设文件系统是默认且有效的，现需视其为设计空间。工具集的选择与模型同等重要，需关注工具对记忆形状的影响。\n- 后续行动：阅读全文，提取实验设置细节，尝试在其公开基准上测试自己的agent，或借鉴其管理/搜索agent的弱掉点，探索增强记忆维护的策略。