MemCo 是一种记忆中心的协作框架，旨在让大型语言模型（LLM）代理在未见过的交互环境中仍能有效决策。框架同时维护本地记忆与全局记忆两个空间：本地记忆保存环境特有的观察、动作和反馈细节；全局记忆从多个代理的本地轨迹中抽取可迁移的工作流。在线交互时，MemCo 根据当前状态和决策阶段从本地和全局记忆中检索相关条目，并将它们路由给语言模型，从而在不盲目复制环境特定信息的前提下复用其他代理的经验。实验在多个交互决策基准上进行，结果表明相较于孤立记忆和共享记忆基线，MemCo 能提升任务成功率并显著减少冗余探索。代码已开源：https://github.com/SYannL/nvdamas。
点评：MemCo 通过层次化记忆结构和状态感知检索，成功平衡了细粒度环境信息与跨任务通用性，为 LLM 代理的零样本迁移提供了可行路径。