设计高效的记忆机制是提升 LLM 驱动的多智能体系统（MAS）性能的关键。现有方法大多采用平坦、无结构的记忆库，容易被噪声填满并抹平智能体之间的差异。为此我们提出 集体‑个体记忆协同 的概念，并实现 CoMem 架构，统一私有经验与共享知识的学习过程。\ \ CoMem 包含三大模块：\
- 私有经验沉淀：每个智能体在交互过程中持续保存并更新对自身有价值的记忆，防止有用信息被覆盖。\
- 集体智慧策展：通过严格的验证机制，仅挑选在多数智能体实验中表现可靠的策略或事实向全局记忆写入，避免噪声传播。\
- 并行双流检索：在推理时同时查询私有记忆和全局记忆，利用聚类技术保证检索结果的多样性，从而兼顾个体专长和群体经验。\ \ 在 ALFWorld 与 PDDL 两套基准上进行对比实验，CoMem 在整体成功率、任务完成效率以及对记忆污染的鲁棒性方面均显著优于传统平坦记忆方案。实验表明，集体‑个体记忆协同能够让多智能体系统在长期演化中保持知识的丰富性与可靠性。\ \ 点评