MaxMind: A Memory Loop Network to Enhance Software Productivity Based on LLMs

本文是LLM系列文章，针对《MaxMind: A Memory Loop Network to Enhance Software Productivity Based on LLMs》的翻译。

摘要

大型语言模型的应用促进了自动化软件操作和工具生成 （SOTG），从而提高了软件生产力，这反映了人类进化的早期阶段，当时创建和使用工具的能力加速了文明的进步。这些复杂的任务需要 AI 不断总结和改进。当前的研究往往忽视了将实时任务体验转换为系统内存以及区分现有知识的价值以供将来参考的重要性。本文通过将外部存储器模型发展为 Memory-Loop Networks 来解决这些问题，以便及时记忆和经验参考。我们还通过知识精确分割增强了 RAG 机制，以利用基于值差异化的内存，并相应地为 SOTG 设计了 MaxMind 模型。为了展示我们的方法，我们开发了 MaxMind4Sheet，这是一个符合 MaxMind 理念的电子表格处理系统。与 SheetCopilot 的对比实验表明，任务记忆的积累和回收导致任务成功率的稳步提高，在这个实现示例中，每轮改进率约为 3%-6%。请注意，随着记忆的不断增长，这种累积的改进可能是巨大的。内存回收的加入还可以将系统的任务执行效率提高多达 25%，并且可以解决 LLM 在通过内存传输处理特殊任务时面临的再训练问题。这些表明 MaxMind 在提高 SOTG 中 LLM 系统的能力和生产力方面具有巨大潜力。<