EMMA：面向多智能体工作流合成的结构化情景记忆

EMMA 用结构化情景记忆约束多智能体工作流更新，作者报告多基准领先。

资讯摘要

论文提出 EMMA，将多智能体系统配置（控制器路由记忆、继承通用提示的专家、逐步程序技能）视为情景记忆，并明确更新的归属与可接受范围：由 reflector 把诊断出的失败分配给拥有修正权的范围，并在该范围内提出一次编辑，配合与骨干模型无关的守卫，保证每次接受的编辑有界、增量且受范围约束。作者报告在 KramaBench、AppWorld、BBEH 上，用五个骨干模型与四个基线对比，EMMA 在每个基准上总体表现最佳，最高超出最强基线 32.5%，且训练执行次数比最高效基线少 17–38%。

要点速读

1. EMMA 把多智能体系统配置作为结构化情景记忆，显式定义更新规则与归属范围。
2. reflector 将失败分配给对应修正范围并提出单次编辑，守卫保证编辑有界、增量。
3. 作者报告在三个基准、五个骨干模型上总体最佳，最高超最强基线 32.5%，训练执行少 17–38%。

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 2026/10/29 08:00:21（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。