LLM 代理的记忆架构决定了它们在不同任务之间如何存储和复用经验。传统做法在部署后将架构固定，导致在任务类型变化时缺乏适应性。近期的自我进化方法尝试利用执行反馈（如评估分数或压缩摘要）来调整记忆结构，但这些粗粒度的反馈无法精确定位长时序任务中的失效点，因而只能进行大幅度的代码重写，效果往往不佳。\ \ MemScope 提出了一种基于证据的局部进化框架。其核心是 Patch Agent，它同时检查原始执行轨迹、运行时记忆状态以及当前的架构代码，定位需要修复的代码片段，并在提供者身份和记忆兼容性约束下执行有界的就地编辑。\ \ 在 GAIA 基准上，使用轨迹+记忆检查的变体实现了 86.67% 的准确率，显著高于仅使用轨迹（70.00%）和仅使用摘要（63.33%）的方案。\ \ 在 xBench 任务中，经过进化的记忆架构使 DeepSeek V3.2 的正确答案数从 49 提升到 55，Kimi K2.7 Code 从 50 提升到 53。对未见的 ALFWorld 子任务，成功率从 50.75% 上升至 71.64%。\ \ 对历史架构快照的迁移分析显示，代码改动比例的中位数仅为 4.4%。这些实验表明，细粒度的执行证据能够支撑记忆架构的局部、就地进化。\ \ 点评：MemScope 通过结合执行轨迹与运行时状态，实现了对记忆架构的精准定位与小幅度修复，显著提升了跨任务适应能力，展示了细粒度反馈在自适应系统中的潜力。