Agent Memory Distillation：层次化记忆蒸馏，小模型智能体准确率提升27.2%

kaist-ai · hf · 2026-08-11

KAIST AI 提出 Agent Memory Distillation (AMD)，一种无需训练的方法，将大型教师智能体的结构化知识通过层次化记忆转移给小模型学生。AMD 构建三种互补记忆：工作流记忆（任务级策略）、子任务记忆（中间粒度行为示例）、函数记忆（函数调用约定与常见陷阱）。工作流和子任务记忆在任务开始时主动注入，函数记忆在工具调用出错时被动检索。在三个工具使用基准上，使用 GPT-5-mini 作为教师，四个学生模型（4B-8B）平均准确率提升 27.2%p、11.2%p、3.4%p（AppWorld、BFCL V3、ToolSandbox），优于现有记忆基线。分析显示子任务记忆贡献最大，教师有效性取决于能力与学生兼容性，4B 学生受益最多。