Stanford 和 Anthropic 用图记忆让 agent 代码准确率提升 36%
blaizedsouza · x · 2026-07-21
这条帖子配图来自一份 Stanford–Anthropic 技术报告，主题是把 LLM agent 的记忆从传统 RAG/笔记式存储，升级成图结构记忆。
作者声称该方法在 13,000 个任务 上验证后，带来明显收益：代码准确率提升 36%、研究任务提升 45%、无效操作减少 39%。报告把图记忆描述为一个会随着任务持续增长的网络，保存实体、关系、动作与状态，从而让 agent 不必每次都从零开始。
「编程与Agent」频道最新
- 开源 Agent Skill 2.3k 星:生成 MVP 蓝图并审计重构 agentic harness — tom_doerr · 2026-09-11
- Cognition SWE-2 用 KKT 对偶优化长度惩罚，一次 RL 推移 Pareto 曲线 — YouJiacheng · 2026-09-11
- 首届 Three.js 大会落地巴黎，AI 正缩短从想法到原型的距离 — OdinLovis · 2026-09-11
- 观点：Agent 真正的瓶颈是企业数据工程能力 — dhruv2038 · 2026-09-11
- 实测戳破 RTK 省钱神话:token 省了,账单分文未降 — Bartaseth · 2026-09-11
- GPT-6 Astra 用时 44 小时通关含敌人 Factorio,API 成本约 4500 美元 — liminal_bardo · 2026-09-11