概述
地球科学研究需要复杂的分析与领域专业知识，而遥感（RS）观测是其关键基础。然而，现有基于通用大型语言模型（LLMs）的遥感智能体在很大程度上缺乏领域针对性，导致工作流程脆弱且容易出错。此外，这些失败往往无法被整合为后续分析的可重用经验。为了解决这个问题，我们提出了 RSMeM，一种知识增强的记忆进化机制，旨在通过预先提炼的领域知识来启动遥感智能体，并迭代整合在线经验以实现稳健的多步骤工具执行。
机制组成
RSMeM 由两个主要组件构成：
- 层次知识引导：该组件在层次化的领域语料库上执行与分类法相关的检索，以指导规划和工具选择；
- 失败感知经验提炼：此组件将标注失败的工具使用轨迹提炼成可重用的约束，以供下一轮工具执行。
通过迭代使用这两个过程，遥感智能体能够逐步吸收任务级的领域知识，并有效地将其转化为实例级的执行经验。
实验结果
在 EarthBench 上进行的广泛实验表明，RSMeM 持续提升工具使用性能和端到端答案的准确性，涵盖多种 LLM 骨干网络。值得注意的是，RSMeM 在 DeepSeek-V3.2 上实现了 6% 的准确性提升，同时仅增加了不到 1% 的经验令牌，这展示了我们提炼经验的强知识密度。我们的代码可在 GitHub 上获取。
博主点评： RSMeM 机制通过知识引导与经验提炼的结合，显著提升了遥感智能体的性能，显示出领域知识的重要性与应用潜力。这种方法不仅增强了模型的适应性，也为未来的遥感分析提供了新的思路。