通过引入 Agent-Aware Memory Exchange 的机制，使 MMLP 不再只是 LLM 模型之间的协议，而成为所有智能体之间的“认知货币”。

一、目标定位：从模型间到 Agent 间的记忆共享

MMLP v2.0: The Memory Language of Intelligent Agents

  • 允许任意 Agent（包括但不限于 LLM、规划器、决策引擎、机器人控制器等）之间进行结构化记忆交换
  • 支持 Agent 的身份认证、行为记录、偏好传递、策略迁移
  • 构建 Agent 之间的“认知网络”，实现真正的“多智能体协同”

二、新增关键特性

特性描述
Agent Identity Embedding每条记忆必须附带创建者/来源 Agent 的 ID 与角色信息
Agent-to-Agent Message Routing支持 Agent A 向 Agent B 发送记忆并请求反馈或处理
Role-Based Access Control根据 Agent 角色动态决定其对某类记忆的访问权限
Behavioral Memory Tracking记录 Agent 的决策过程与历史行为模式，用于优化协作
Trust Graph for Agent Interactions基于历史交互构建 Agent 间的信任图谱，用于可信推荐和路由

三、MMLP v2.0 数据结构扩展（关键字段）

{
  "mmlp_version": "2.0",
  "memory_id": "m_1234567890",
  "source_agent": {
    "id": "agent_456",
    "type": "planner",
    "name": "TaskScheduler-V2",
    "organization": "AutoMind Labs"
  },
  "target_agent": {
    "id": "agent_789",
    "type": "executor",
    "name": "RobotArm-Controller",
    "organization": "RoboTech Inc."
  },
  "action": "share_memory",
  "memory_type": "strategy",
  "subject": {
    "id": "user_1234",
    "type": "human"
  },
  "predicate": "preferred_pickup_speed",
  "object": {
    "value": "fast but safe",
    "confidence": 0.92,
    "privacy_level": 1
  },
  "timestamp": "2025-04-05T14:30:00Z",
  "trust_score": 0.88,
  "weight": 3.5,
  "metadata": {
    "source_chain_of_thought": true,
    "linked_nodes": ["m_987654321"],
    "tags": ["robotics", "safety"]
  },
  "signature": "blockchain_signature"
}

四、Agent 间记忆交换流程示例

4.1 场景：Agent A（Planner）向 Agent B（Executor）发送操作偏好记忆

Step 1: Planner 提取用户偏好

  • 用户在任务界面设置：“希望快速但安全地执行抓取任务”
  • Planner 将此偏好封装为 preference 类型的记忆单元

Step 2: 构建 MMLP 消息并发送

POST /api/mmlp/share
Headers:
  Authorization: Bearer <planner_token>
Body:
  {
    "target_agent": "agent_789",
    "message_type": "preference",
    "content": [ /* MMLP v2.0 格式的记忆单元 */ ]
  }

Step 3: Executor 接收并解析

  • 验证签名 + 检查权限
  • 更新本地记忆图谱
  • 在后续执行中应用该偏好（如调整机械臂速度）

五、Agent-Aware 记忆共享的关键设计点

5.1. Agent Identity 层（身份标识层）

每个 Agent 必须具备：

  • 唯一 ID
  • 类型定义（planner, executor, user_proxy 等）
  • 所属组织
  • 能力标签（如："supports robotics", "can schedule"）

新增：将 Agent 的“身份属性”嵌入每一条记忆中，使系统能自动识别记忆来源的能力范围，从而避免无效记忆被误用。

5.2. Agent Trust Graph（信任图谱）

构建 Agent 之间的互动关系图，用于：

  • 决策路由：哪个 Agent 更适合接收某类记忆？
  • 权限控制：只有高信任 Agent 才能访问敏感记忆
  • 可靠性评估：低信任度的 Agent 发送的记忆需经过额外验证

新增：记忆不再是静态的“数据块”，而是“关系节点”，其价值随上下文变化。

5.3. Agent Behavior Logging（行为日志）

为每个 Agent 维护一份“行为记忆”图谱，记录：

  • 决策路径（chain-of-thought）
  • 执行效果（success/failure rate）
  • 协作频率与满意度

新增：通过记忆回溯优化 Agent 行为，提升整体系统的自适应能力。

六、典型应用场景

应用场景描述
跨领域协作系统一个任务调度器与多个执行器（Agent）共享用户行为习惯，提升任务匹配精度
AI 教育平台学生代理（Student Agent）向教师代理（Teacher Agent）传递学习轨迹与风格偏好
家庭智能中枢家庭成员的记忆偏好（语音风格、灯光亮度等）能在不同设备与服务代理之间流通
工业自动化机器人代理之间共享最佳实践与故障规避策略

七、MMLP v2.0 协议接口建议（API 示例）

POST /api/mmlp/share
Headers:
  Content-Type: application/json
  Authorization: Bearer <agent_token>
Body:
{
  "source_agent": "agent_123",
  "target_agent": "agent_456",
  "message_type": "memory_update",
  "content": [ ... ],
  "signature": "..."
}

GET /api/mmlp/trust/graph?agent_id=agent_123
Response:
{
  "trusted_agents": ["agent_456", "agent_789"],
  "average_trust_score": 0.91
}

八、总结与展望

旧版本 MMLP（v1.0）新版本 MMLP v2.0（Agent-aware）
LLM 间记忆共享LLM + Agent 通用共享
基于用户与模型基于用户、模型与 Agent
关注记忆内容关注记忆+语境+身份+信任
单一方向传输双向互动 + 动态信任建立

标签：AI, infra

你的评论