MUSE：面向科学编程智能体的多级记忆与选择性运行时注入

论文提出多级记忆加运行时门控注入的科学编程智能体框架 MUSE。

资讯摘要

论文提出 MUSE 记忆管理框架，为科学编程智能体构建全局、方法级与实现级三层记忆：初始化时注入全局记忆和与问题匹配的方法级记忆，执行过程中依据当前交互检索实现级记忆，并由 LLM 门控筛选相关经验、生成具体审查建议或跳过注入。作者报告在数值问题求解、内核优化与科学软件修复四类基准上，MUSE 在所有指标上优于检索与记忆基线，消融实验支持多级设计与门控注入，迁移实验显示记忆在内核基准间仍有效。

要点速读

1. MUSE 从历史轨迹构建全局、方法级、实现级三层记忆，初始化注入全局与问题匹配的方法级记忆，执行中检索实现级记忆。
2. LLM 门控负责选择相关经验并生成具体审查建议，或跳过注入。
3. 作者报告在数值求解、内核优化、科学软件修复四类基准上全面优于基线，消融与迁移实验支持其设计。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。