Memory 已成为自进化 LLM 代理的核心，它们通过存储和检索过去 rollout 的经验来指导后续决策。现有系统把经验表示为自由形式的自然语言，并通过重写来维护，这适用于经验可以叙述的任务。\n\n在科学发现和分子优化场景中，经验往往是由特定上下文下的 oracle 给出的定量测量。将其重写为文本会失去索引位置、用描述取代测量，并且难以表达干预之间的相互作用。\n\n为此我们提出 MEMIG 框架，主张生物分子优化的记忆应具备可索引、定量、结构化三大特性。MEMIG 通过领域特定的标识符为每条记录提供唯一索引，并累计属性 oracle 测得的定量效应，使得更新局部化、检索精确定位。随后，MEMIG 将同时施加的干预关联起来，并通过对每个评估集合的分解来度量其表观交互（epistasis）。\n\n实验在多种体外抗体优化基准上进行，结果显示 MEMIG 在大多数设置下均提升了优化性能。\n\n点评：MEMIG 在抗体优化任务中展示了显著的性能提升，证明了结构化记忆对科学发现的价值。