MEMIG：为抗体优化构建可索引的定量记忆

在自进化LLM智能体中，记忆机制扮演着核心角色——它存储并检索过往rollout中的经验，用以指导未来决策。然而，现有系统大多将经验表示为自由形式的自然语言，并通过重写来维护记忆。这种方式适用于经验可叙述的任务，但在科学发现与优化中，经验往往是特定上下文下由oracle测量的数量，将其重写为文本会丢失索引、用描述替代测量、且无法表达干预之间的交互作用。为此，研究者提出MEMIG框架，主张生物分子优化中的智能体记忆应具备可索引、定量、结构化三大特性。

现有记忆系统的局限

当前主流的自进化LLM智能体将经验视为自由形式的自然语言，通过重写来更新记忆。这种设计在叙事性任务中表现良好，因为经验可以通过语言描述完整传递。但在科学发现与优化场景中，经验的核心是一个由oracle在特定上下文中测量的数量。例如，在抗体优化中，一个突变对结合亲和力的影响是一个具体的数值，而非一段文字。将测量值重写为文本，意味着丢失了记录应该被索引的位置——系统无法精确定位某条经验对应的具体条件，也无法通过精确查找来复用。更重要的是，文本描述无法表达不同干预措施之间的交互效应，而这恰恰是组合优化中的关键信息。

MEMIG的三项核心设计

MEMIG围绕可索引、定量、结构化三个属性构建记忆框架。

领域锚定的标识符

MEMIG为每条洞见分配一个领域锚定的标识符，并累积由属性oracle测量的定量效应。这一设计使得记忆更新保持局部性——只影响相关的标识符条目，而检索则变为精确查找，无需在大量自然语言文本中做模糊匹配。

量化效应的累积

与用文本描述替代测量不同，MEMIG直接存储定量效应值。这意味着记忆中的每条记录都是可比较、可计算的，为后续的优化决策提供精确依据。

上位性效应的测量

MEMIG将干预措施被一起应用的洞见连接起来，通过对每个评估集进行分解来测量它们之间的上位性（epistasis）效应。这使得系统能够捕捉不同干预之间的交互作用，而这是纯文本记忆无法表达的。

上位性（epistasis） 原指遗传学中一个基因的表达受到另一个基因影响的现象，即不同基因位点之间的非加性交互作用。在组合优化与干预设计中，上位性效应描述的是多个干预同时施加时，其联合效果偏离各自单独效果简单相加的程度。若两个突变单独带来的亲和力提升分别为 Δa 和 Δb，而同时存在时实际提升为 Δab，则上位性效应可表示为 Δab − (Δa + Δb)。该值非零意味着干预之间存在协同或拮抗。测量上位性需要对评估集进行分解，即分别评估单干预与组合干预，从而将交互项从总体效应中分离出来。这是纯文本记忆难以承载的结构化定量信息。

在抗体优化任务中的表现

研究者在硅基抗体优化任务上评估了MEMIG。结果表明，MEMIG在大多数设置下提升了性能。这一结果支持了研究者的核心论点：对于生物分子优化这类经验为定量测量的任务，可索引、定量、结构化的记忆表示比自由文本记忆更为有效。

硅基抗体优化（in silico antibody optimization） 指在计算机模拟环境中对抗体序列进行设计与筛选，而非在湿实验中逐一合成和测试。典型流程包括：定义可变的氨基酸位点或突变组合空间，使用预测模型（如结构模型或亲和力预测器）作为 oracle 对候选序列给出结合亲和力等定量评分，再由优化算法在序列空间中搜索高分变体。这里的 oracle 可以是物理模拟、机器学习代理模型或二者的组合。由于每次评估都返回明确的数值，经验天然以“上下文—测量值”的形式存在，这正是 MEMIG 所针对的经验形态，也使其成为检验定量记忆机制是否有效的合适试验台。

对AI驱动科学发现的启示

MEMIG的设计思路指向一个更广泛的问题：自进化智能体的记忆机制是否需要根据任务性质进行差异化设计。在叙事性任务中，自由文本记忆的灵活性是优势；但在科学优化任务中，精确的定量记录和结构化的索引关系才是关键。将记忆从“描述”转向“测量”，从“重写”转向“累积”，可能是AI智能体在科学发现领域发挥作用的重要前提。这一框架为生物分子优化之外的其它定量优化任务提供了可借鉴的记忆构建范式。