IBM/HF 研究：Agent 记忆非越多越好，关键在提取操作手册
krishnan · x · 2026-08-20
IBM Research 和 Hugging Face 发布了关于 ALTK-Evolve 的研究结果，挑战了“记忆越多越好”的假设。研究指出 Agent 记忆存在“剂量问题”。
核心发现：
- 机制重于数量：有效的记忆不是“记住所有”，而是更接近于“提取操作手册”。
- 工作流程：Agent 尝试任务 -> 系统从轨迹中挖掘经验（无论成败） -> 提炼可复用指南 -> 在推理时注入指南（不改变模型权重，无需人工标注）。
- 评估：在 AppWorld 的 8 个模型、585 个多步骤任务（涵盖日历、消息、支付等模拟应用）中进行了验证。
- 使用方式：系统可选择注入完整指南集，或仅检索与当前任务相关的子集。
「编程与Agent」频道最新
- CLI Agent 控制很棒，但缺乏原生多模态支持 — debreuil · 2026-08-21
- 用 LLM 打造超个性化健身助手：接入睡眠与实时心率 — dsp_ · 2026-08-21
- Ferryman 支持从 Claude/Cursor 跨平台自动分发内容 — KevinNaughtonJr · 2026-08-21
- 用 Rust 写 Agent REPL：编译后 3MB 且无加载延迟 — remilouf · 2026-08-21
- Karpathy：Agent 能处理数学与验证，旧抽象层正失效 — karpathy · 2026-08-21
- Agnost AI 发布微调模型：用 Agent 日志训练，任务成功率提升 22.9% — ycombinator · 2026-08-21