论文：ConMem: Structured Memory-Guided Adaptation in Training-Free Multi-Agent Systems
Venue：Preprint 2025
这篇论文在解决什么问题？
多智能体系统中多智能体适应性能让智能体从过去的经验中学习，减少智能体犯同样的错误以及提高协调性。现有的方法要么存储原始交互历史（但这样做历史通常复杂而且难以精确检索），要么结构化存储将历史存储为skills但是没有机制协调这些skills，给予RL的方法来优化又要浪费大量的计算机资源和高质量监督。
核心方法
论文提出ConMem：1. 无需训练；2. 将分散的交互经验转化为结构化的集体记忆然后组织为类型化卡片。
卡片有几个指标，同时还分积极消极。
构建集体记忆：
- ref，失败任务触发，分析失败原因然后提取可迁移经验；
- agg，成功任务策略会提炼，失败——》负面卡片；
- adm，通过阈值筛选卡片；
- mrg，新卡片整合到卡片库
读取卡片：先估计当前任务的需求画像，然后对卡片进行排名之后根据相似性遍历，例如，如果检索到关于”数据库查询”的策略，该图可能会引导系统找到一张关于”SQL语法优化”的支持卡片。协调模块解决冲突等等。。。
我的想法
优势就是无需训练，还能达到sota，同时内存管理更加高效。其中协调模块有点意思，会剪枝超过50%的卡片，能减少噪音避免发散，但是感觉通过更有效的搜索算法比如添加checkpoint细化排名是不是也可以解决；
实验部分比较完善感觉是值得学习的，选用的agent很多很完善了，消融实验也都有，但是均使用qwen3-4b作为基座模型，如果选用强模型其自身的记忆检索是否提升有如此明显呢
multiagent的一种效率和context控制的提升，但是GOT却没有用更高效的GOT检索算法比如ppr、mcts等等（虽然这个不是本文重点），感觉如果把这个作为一个base然后测试不同的检索算法会很有意思