据动察 Beating 监测，剑桥大学与芝加哥大学团队开源了多智能体记忆框架 DecentMem，用去中心化私有内存替代全局共享内存。传统系统普遍采用共享记忆，但智能体读取相同上下文后，往往收敛到相似决策路径，分工优势随之消失。DecentMem 核心理念是协作必须依赖认知差异，保留私有记忆才能维持互补路径。 DecentMem 让智能体维护专属的双池内存：利用池（E-pool）保存历史经验与反思记录，探索池（X-pool）则持续生成新的候选思路。在线决策器根据大语言模型裁判的阶段性评分，动态调节双池调用权重，帮助智能体自主平衡开发与探索。 理论上，自进化搜索被建模为图上随机游走，其全局可达性为智能体跳出局部最优区域提供了保障。在 AutoGen、DyLAN 和 AgentNet 的测试中，DecentMem 相比最强集中式记忆基线平均提升 8.6%，最佳场景下相对提升达 23.8%，同时将 Token 消耗减半。研究发现，协作越依赖即兴讨论而非固定流程，去中心化优势越明显，在强调自由协商的 DyLAN 框架中，系统达到同等性能所需的迭代轮数减少约 60%，收敛速度提升约 2.5 倍。