Meta/MIT 论文 ReHarness：用任务结果回写修正 agent 经验记忆

dair_ai · x · 2026-10-13

Meta 与 MIT 的论文提出 ReHarness，一个面向 agentic 持续学习的循环框架。要点：

问题：现有 agent 记忆/反思 harness 只做正向写入——经验写进记忆库后从不根据下游效果校验，过度泛化或过时的「教训」会反复误导后续决策。
方法：每完成一个任务实例，用其轨迹作为反馈，回溯修订（backward revision）该实例检索到的 reflections，在严格在线流式协议下运行，无需额外训练或验证集。
结果：在 3 个持续学习 benchmark（16 个任务）、3 个底座模型上，稳定超过 raw-context、memory、reflection 与 prompt 优化基线，且经多重比较校正后增益仍显著。
分析：修订基于来源轨迹、有意义，能纠正分布漂移下过时经验，同时提升稳定性与可塑性。

「编程与Agent」频道最新