论文页面 - Agent Memory Distillation：为小型 LLM Agent 赋予层次化教师记忆

来源：https://huggingface.co/papers/2608.07169

摘要

记忆系统在提升 Agent 性能方面展现出巨大潜力，但其在小型语言模型上的应用仍 largely 未被探索——这些模型难以自行生成足够成功的轨迹。我们提出 Agent Memory Distillation（AMD），一种免训练框架，通过层次化记忆将结构化知识从大型教师 Agent 迁移至小型学生 Agent。AMD 从成功的教师轨迹中构建三种互补的记忆类型：工作流记忆（Workflow memory）编码任务级策略，子任务记忆（Subtask memory）以中间粒度提供具体行为示例，函数记忆（Function memory）捕获每个函数调用的惯例和常见陷阱。工作流记忆和子任务记忆在每个任务开始时主动注入，而函数记忆则在工具调用出错时被动检索。我们在三个工具使用基准上评估 AMD，使用四种学生模型（4B-8B 参数），以 GPT-5-mini 作为教师，在 AppWorld、BFCLV3 和 Tool Sandbox 上分别实现了平均 27.2 个百分点、11.2 个百分点和 3.4 个百分点的准确率提升，并持续优于现有基于记忆的基线。进一步分析表明，子任务记忆贡献最大，教师有效性同时取决于教师能力与学生兼容性，而 4B 规模的学生从 AMD 中受益最多。

查看 arXiv 页面（https://arxiv.org/abs/2608.07169）查看 PDF（https://arxiv.org/pdf/2608.07169）项目页面（https://agent-memory-distillation.github.io/）GitHub0（https://github.com/taeilkim2465/agentic_memory_distillation）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2608.07169）

在您的 Agent 中获取此论文：

hf papers read 2608\.07169

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型关联此论文

请在模型 README.md 中引用 arxiv.org/abs/2608.07169，即可从此页面链接到该模型。

引用此论文的数据集0

没有数据集关联此论文

请在数据集 README.md 中引用 arxiv.org/abs/2608.07169，即可从此页面链接到该数据集。

引用此论文的 Space0

没有 Space 关联此论文

请在 Space README.md 中引用 arxiv.org/abs/2608.07169，即可从此页面链接到该 Space。

包含此论文的收藏0

没有收藏包含此论文

将此论文添加到收藏（https://huggingface.co/new-collection）即可从此页面链接到该收藏。