研究论文
RSMeM：面向遥感智能体的知识增强记忆进化机制
arXiv 新论文提出 RSMeM 框架，通过层次化知识锚定与失败感知经验精炼，提升遥感智能体的多步工具调用能力。
2026.07.29 · 周三约 2 分钟阅读
一篇发表于 arXiv 的研究论文提出了名为 RSMeM 的知识增强记忆进化机制，旨在解决现有遥感（RS）智能体在复杂多步工具调用任务中表现脆弱、易出错的问题。研究指出，当前基于通用大语言模型构建的遥感智能体大多「领域无关」（domain-agnostic），难以将失败经验沉淀为可复用的知识资产。
研究动机
地球科学研究高度依赖遥感观测数据，并需要复杂的专业分析与领域知识。然而，现有遥感智能体的失败很少被系统化地归纳，导致后续分析无法复用过往经验。RSMeM 的核心思路是在智能体启动阶段注入预蒸馏的领域知识，并在在线执行过程中持续整合经验，从而实现稳健的多步工具调用。
核心方法
RSMeM 由两个关键组件构成：
- 层次化知识锚定（Hierarchical Knowledge Grounding）：在层次化领域语料库上进行「感知分类体系」的检索（taxonomy-aware retrieval），用以指导规划与工具选择。
- 失败感知经验精炼（Failure-Aware Experience Refinement）：将带有失败标注的工具调用轨迹（tool-use traces）蒸馏为可复用的约束，用于下一轮执行。
两个过程迭代运行，使智能体能够吸收任务级的领域知识，并有效转化为实例级的执行经验。
实验结果
研究在 EarthBench 基准上进行了系统评估，覆盖多种 LLM 后端模型。实验显示 RSMeM 在工具调用性能与端到端答案质量上均取得稳定提升。其中，在 DeepSeek-V3.2 上实现了 6% 的准确率提升，而额外引入的经验 token 仅占整体上下文的不到 1%，体现了蒸馏经验的高知识密度。
开源与意义
论文代码已在 GitHub 开源（AI9Stars/RSMeM）。整体而言，RSMeM 为将通用 LLM 适配到遥感等垂直领域提供了一条「知识 + 经验」双驱动的路径，但其影响目前仍局限于遥感智能体这一细分场景。