大型语言模型（LLM）驱动的多智能体系统在多种任务上表现出色，但其记忆和协作结构通常是固定的，限制了系统随时间的持续适应和提升。已有工作尝试基于交互经验分别演化记忆或协作，却往往出现不对齐的情况：演化后的工作流可能需要记忆未提供的经验，而演化的记忆可能包含协作流程无法利用的指导。为了解决这一问题，CoEvolve 提出了一种以技能为中心的框架，实现记忆与协作的对齐共进化。框架将可复用的局部协作模式抽象为技能，并将演化的协作决策与支撑其的记忆关联。通过比较原始轨迹与反事实轨迹，CoEvolve 能够提取局部进化信号，从而在每轮迭代中同步更新技能库、技能记忆以及执行者记忆。实验在 ALFWorld 和 WebShop 基准上进行，结果显示 CoEvolve 在所有对比基线中取得了最佳整体性能，消融实验进一步验证了对齐共进化和反事实引导进化的有效性。
点评