亚马逊 EMMA 论文：把多智能体配置当情景记忆，从失败中自我进化

omarsar0 · x · 2026-10-28

Amazon 与 UCSD 研究者发布论文 EMMA（Structured Episodic Memory for Multi-Agent Workflow Synthesis），提出用「情景记忆」统一管理多智能体系统的演化。

系统结构：同一个 LLM 驱动三部分——controller 逐步规划任务并选择子智能体与技能；子智能体从通用型出发，专家型继承通用 prompt 再叠加角色方法；skills 是短流程（算法、踩坑清单等）。
核心机制：把 controller 的路由记忆、agent prompt 和 skills 都视作情景记忆。任务失败后由 reflector 判断该由三者中哪一个负责修复，只在那里提出一处修改；guard 保证每次修改有范围、增量、有界，避免「失控演化」。
效果：在 KramaBench、AppWorld、BBEH 上，用 ACE、GEPA、EvoMAS、ADAS 等四个基线与多种骨干模型对比，EMMA 在全部 benchmark 上取得最佳总成绩，最高领先最强基线 32.5%，训练执行次数还少 17–38%。

「编程与Agent」频道最新