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
- HF Hub CLI 大更新:缓存去重省 19GB,GPU 任务可重试重跑 — yb2698 · 2026-10-26
- 前 Google 研究员团队发布 Fern 0.1:专供审计数据、调试训练的模型 — bneyshabur · 2026-10-26
- Fern 0.1 智能体基准首秀:SWE-Bench Verified 73.4,与前沿模型仍有差距 — bneyshabur · 2026-10-26
- 一条 Prompt 生成完整 Blender 动画,作者全程未手动建模 — iamfakhrealam · 2026-10-26
- 用户用 Claude Code 拆解本田车机：发现 root 后门与静默装 APK — IndraVahan · 2026-10-26
- Claude Code + MCP 接 Google Maps/Apollo/LinkedIn，搭年省万美元的获客引擎 — aryanXmahajan · 2026-10-26