UC Berkeley 论文：让 Agent 定期清空记忆，成绩最高提升 39%
alexcovo_eth · x · 2026-11-01
UC Berkeley、Stanford 与 Bespoke Labs 的论文《Scaling Discovery Requires Forgetting》发现：长周期研究与优化任务中的 Agent 会因历史记录堆积而锚定在早期失败尝试上，编辑幅度越改越小，陷入瓶颈。
解法出乎意料地简单:
- 每个 session 结束后清空全部候选历史
- 只保留迄今最优结果
- 从最优结果重新出发,循环往复
同一模型、同一 token 预算下,该方法比单个 Agent 最高提升 39%,比并行多 Agent 最高提升 15%(4 个发现类任务,arXiv 2610.20563)。一句话总结:留下产物,丢掉对话记录。
「编程与Agent」频道最新
- 语音输入工具 Hex 发布稳定版：本地运行，为 AI Agent 对话设计 — madeofAjala · 2026-11-01
- 个人 AI Agent 大混战：一段 prompt 让你的配置在智能体间无缝搬家 — EXM7777 · 2026-11-01
- Nous Research Hermes 移动端开启测试，iOS/Android 双端 Beta 上线 — testingcatalog · 2026-11-01
- 生产级 AI Agent 指南：从模型到结果之间的七层工程 — blaizedsouza · 2026-11-01
- AV1 不支持透明视频？开发者用双倍高度帧巧解 Web 难题 — mgostIH · 2026-11-01
- Yacine 宣称 Terra 成为其新的日常主力工具 — yacineMTB · 2026-11-01