论文页面 - 管理LLM代理中的程序性记忆：控制、适应与评估

来源：https://huggingface.co/papers/2606.23127

摘要

程序性记忆通过跨角色和模型的技能迁移增强了LLM代理在工作场所任务中的表现，而不同的泛化能力会影响部署策略。

程序性记忆（https://huggingface.co/papers?q=Procedural%20memory）越来越多地被用于改进LLM代理（https://huggingface.co/papers?q=LLM%20agents）在重复性工作场所任务中的表现，但其生成可复用技能的能力仍缺乏深入理解。我们引入了AFTER基准测试，包含382项真实企业任务（https://huggingface.co/papers?q=enterprise%20tasks），涵盖六个专业角色和22项程序性技能（https://huggingface.co/papers?q=procedural%20skills），旨在评估技能如何跨任务、角色和模型主干进行迁移。该基准测试包括本地改进、跨任务迁移（https://huggingface.co/papers?q=cross-task%20transfer）、跨角色迁移（https://huggingface.co/papers?q=cross-role%20transfer）和跨模型泛化（https://huggingface.co/papers?q=cross-model%20generalization）等受控评估设置。实验表明，程序性记忆（https://huggingface.co/papers?q=procedural%20memory）在工业工作流中带来了持续的性能提升：单次优化轮次可将聚合性能（https://huggingface.co/papers?q=aggregate%20performance）提升3.7-6.7个百分点，而基于多样化多模型执行轨迹（https://huggingface.co/papers?q=multi-model%20execution%20traces）演化的技能实现了73.1%的跨模型测试准确率，优于所有单模型轨迹来源。我们进一步发现，某些技能可以广泛泛化到不同任务和模型中，而其他技能则特定于角色相关的工作流，在迁移时效果会下降。这些结果为在生产级代理平台中构建、评估和部署程序性记忆系统提供了实用指导。

查看arXiv页面（https://arxiv.org/abs/2606.23127）查看PDF（https://arxiv.org/pdf/2606.23127）GitHub1（https://github.com/DavydenkoGr/AFTER）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.23127）

在您的代理中获取此论文：

hf papers read 2606\.23127

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

引用此论文的模型0

无模型链接此论文

在模型README.md中引用arxiv.org/abs/2606.23127以链接到此页面。

引用此论文的数据集1

DavydenkoGr/AFTER 更新于1天前 • 1.01k • 2 (https://huggingface.co/datasets/DavydenkoGr/AFTER)

引用此论文的Spaces0

无Space链接此论文

在Space README.md中引用arxiv.org/abs/2606.23127以链接到此页面。

包含此论文的收藏集0

无收藏集包含此论文

将此论文添加到收藏集（https://huggingface.co/new-collection）以链接到此页面。