UC Berkeley 论文：让 agent 学会遗忘，自动研究性能提升至 39%
omarsar0 · x · 2026-10-16
UC Berkeley 团队发布论文《Scaling Discovery Requires Forgetting》，提出一个反直觉的自动研究 agent 扩展方法。
- 问题：无论单 agent 长时间迭代、多 agent 并行还是并行+通信，研究型 agent 都会因积累历史而陷入平台期——agent 被自己的过去尝试锚定，只做小修小补，追加预算不再带来提升。
- 方法：主动诱导遗忘。周期性地丢弃所有 agent 的会话和候选历史，从目前找到的最优候选重新出发，打破锚定效应，让搜索继续攀升。
- 结果：在启发式编程竞赛（AtCoder）、内核优化（Anthropic VLIW kernel）和模型训练三类任务上，四人团队+遗忘比并行 agent 最高提升 15%，比同等预算的单 agent 最高提升 39%。
结论：扩展自动发现的关键不是更多记忆，而是学会遗忘。
所属事件:UC Berkeley 论文：让 AI 研究型 Agent 学会遗忘(3 条相关)→
「编程与Agent」频道最新
- 开源 VibeZero:用 agent 一把生成整套可部署的 vibe coding 平台 — cnakazawa · 2026-10-16
- 蚂蚁联合清华开源 Realtime-Venus:实时多模态 Agent 替代 OpenAI Realtime API — aigclink · 2026-10-16
- 开发者自述：我曾是 o1 pro 的「人肉 harness」 — timigod · 2026-10-16
- JevAgentHarness 论文：4B 小模型替 LLM 做 Agent 决策，更省更准 — youjiaxuan · 2026-10-16
- 吐槽:编码 agent 动辄开出 3 个堆叠 PR,合并体验太糟 — holdenmatt · 2026-10-16
- Google 团队用序列拍卖构建去中心化 LLM 多智能体工作流 — _onionesque · 2026-10-16