[AI]《Multi-Agent Transactive Memory》T E Kim, X He, D Jain, A Agrawal… [CMU] (2026)

在智能体（Agent）领域，跨异构群体的知识共享是一个悬而未决的难题。过去的方法受困于经验的孤岛化，本质原因是智能体生成的交互轨迹（Trajectories）通常在单次使用后即被丢弃，导致新智能体必须在不同任务中重复探索已有的解决方案。

本文的核心洞见是：把智能体生成的交互轨迹重新看作可检索、可复用的“交互记忆”。由此，多智能体交互记忆（MATM）框架这一关键操作使问题得以解开，它通过建立一个共享存储库，让“生产者”智能体贡献轨迹，并让“消费者”智能体通过学习排序（LTR）技术检索并复用这些程序性知识。

这项工作真正留下的遗产是证明了“群体级经验共享”能显著提升异构智能体的任务成功率与执行效率。它为后来者打开的新门是构建开放智能体生态系统的协作基础设施，但尚未跨过的门槛是解决恶意贡献者的轨迹污染风险以及建立公平的贡献激励机制。

arxiv.org/abs/2606.19911 机器学习 人工智能 论文 AI创造营