AIGNLAI发布TokenWorth：资源受限环境下智能体记忆管理的创新框架

摘要：AIGNLAI推出了一种名为TokenWorth的轻量级在线记忆框架，旨在解决资源受限环境下智能体记忆管理的核心挑战。该框架通过从稀疏执行反馈中学习查询依赖的记忆价值，并将其应用于记忆检索和有限记忆管理中。实验结果表明，TokenWorth在三个LifelongAgentBench环境中实现了最高的任务成功率，同时使用了最少的输出token，展示了其在资源受限场景下的高效性和实用性。

---

技术背景与挑战

在持续学习和部署的智能体中，记忆管理是一个关键问题。然而，在资源受限的环境下，如生成、交互和记忆预算紧张的情况下，现有的记忆方法往往效率低下，甚至不如简单的检索或无记忆方法有效。这表明，资源稀缺使得每次记忆决策都更加关键。

TokenWorth的核心机制

AIGNLAI提出的TokenWorth框架通过以下方式解决了上述问题：

1. 查询依赖的记忆价值学习：TokenWorth从稀疏执行反馈中学习记忆的价值，并根据查询动态调整记忆检索策略。
2. 记忆检索与管理的统一应用：该框架不仅优化了记忆检索，还对记忆管理进行了限制，确保只保留最有价值的记忆。
3. 轻量级设计：TokenWorth采用轻量级架构，使其能够在资源受限的环境中高效运行。

实验结果与性能

在LifelongAgentBench的三个环境中，TokenWorth在任务成功率方面表现优异，同时使用的输出token数量最少。具体来说：

• 任务成功率：在所有测试环境中，TokenWorth均实现了最高的任务成功率，显著优于现有的记忆方法。
• 资源效率：TokenWorth使用的输出token数量最少，展示了其在资源利用方面的优势。

工程权衡与实际应用

TokenWorth的设计考虑了以下权衡：

• 记忆价值与资源消耗的平衡：通过学习记忆价值，TokenWorth能够在保持高任务成功率的同时，减少不必要的记忆存储和检索开销。
• 实时性与准确性：该框架在实时性方面表现出色，能够快速适应新的查询和环境变化。

对于开发者而言，TokenWorth的轻量级设计和高效性使其易于集成到现有的智能体系统中。此外，公开的代码库（https://github.com/AIGNLAI/TokenWorth）也为开发者提供了进一步优化和扩展的便利。

结论

TokenWorth展示了在资源受限环境下，有效的记忆管理对于智能体持续学习的重要性。通过学习记忆价值并优化记忆检索和管理，TokenWorth为智能体在复杂任务场景中的高效部署提供了新的解决方案。

---

消息来源：Hugging Face Daily Papers (2026-10-19)

—— 完 ——

主题标签： #AIGNLAI 关注 #智能体 关注 #记忆管理 关注 #资源受限 关注 #TokenWorth 关注