面向长程任务的主动记忆Agent
Md. Shakhoyat Rahman Shujon · hf · 2026-07-11
这篇工作聚焦长程任务中的 behavioral state decay：随着轨迹变长，真正影响决策的状态信息会散落在上下文里，甚至被挤出窗口，导致 agent 在关键时刻“想不起来”。
方法：Proactive Memory Agent
- 不修改原有 action agent
- 额外引入一个 memory agent
- memory agent 会持续维护结构化 memory bank
- 并决定何时向 action agent 注入一条与当前情境相关的提醒，何时保持沉默
实验结论
- 该模块可以直接接到 frontier action agents 和现有 harness 上，属于可插拔方案
- 在 Terminal-Bench 2.0 和 τ^2-Bench 上都提升了 pass@1
- 对较弱和较强的 action agent 都有收益
- 消融显示，选择性介入 优于被动检索、始终注入、仅 advisor 方案和一般检索
训练尝试
作者还训练了一个开放权重记忆策略：
- 用 SETA 数据
- 采用 SFT + GRPO
- 获得更高的验证奖励，并在 Terminal-Bench 上有部分迁移
所属事件:Meta提出主动记忆机制破解长程任务衰减(4 条相关)→
「编程与Agent」频道最新
- Alex Townsend 汇编 200 个数值线性代数开放问题，供人类与 AI 攻关 — IgorCarron · 2026-09-11
- Kimi K2.8 Preview 上线：性能接近 K3、1M 上下文全档开放 — teortaxesTex · 2026-09-11
- 有人想给软件工程任务建「形态分类」数据库,好按任务选模型 — StewartalsopIII · 2026-09-11
- 用 prompt 造硬件:一次对话让智能体组装定制设备寄到家 — paraschopra · 2026-09-11
- 模型之外才是关键:一文拆解 RAG 到多智能体的六大 AI 架构 — goyalshaliniuk · 2026-09-11
- 零基础开发者自建分层记忆架构，仅 20k token 记住一年对话 — matteoianni · 2026-09-11