Engramo新研究:RL教模型善用笔记,训练一次扛住2300万token笔记改动
simran_s_arora · x · 2026-11-05
Engramo 团队发布新博客，研究如何用 RL 补充基于文本的记忆系统：当前 agent 主要靠笔记、wiki、skill 文件积累经验，但未必善于利用这些笔记。他们训练模型在记忆系统不断演化时更好地使用它，发现训练成本远低于构建笔记本身，且即使只在旧版笔记上训练一次，经过 2300 万 token 的笔记编辑后依然保持有效。
所属事件:Engram 新研究：RL 教模型善用笔记，训练成本远低于建笔记(9 条相关)→
「编程与Agent」频道最新
- Agent 单点任务 80+ 分,长期维护代码库却仅 38% — FullStackFrenzy · 2026-11-05
- Omarchy 4.5 发布:740 个 PR,支持 Mac 原生安装与传统桌面模式 — john_lam · 2026-11-05
- A2A 协议实战:5 种方式让不同框架的 AI Agent 协同工作 — goyalshaliniuk · 2026-11-05
- 让模型给自己挑刺：向 AI 询问 harness 缺陷可揪出隐蔽 bug — insomniating · 2026-11-05
- 开发者称 6 个月未 push 百万行 AI 代码:反正都不值钱 — ryunuck · 2026-11-05
- 独立开发者用 Claude Opus 5.5 做出浏览器战机模拟器，2 周吸引 2.5 万玩家 — aCakeShip · 2026-11-05