论文页面 - 记住关键时机：面向长周期任务的主动记忆智能体

来源：https://huggingface.co/papers/2607.08716

摘要

在长周期任务中，决策相关的状态信息往往分散在不断增长的轨迹中，而行动智能体需要从中提取并采取行动。随着轨迹增长，任务要求、环境事实、先前尝试、诊断信息和未完成的子目标可能被埋没在上下文窗口中，甚至被推出窗口之外，从而在需要时无法影响决策。我们将这种失败模式称为“行为状态衰减“。本文研究将记忆作为主动干预机制而非被动检索手段。我们设计了一个独立的记忆智能体，与未修改的行动智能体并行运行，从最近轨迹中更新结构化记忆库，并决定是注入基于记忆的提示还是保持沉默。该模块即插即用，可适配前沿行动智能体和现有智能体框架。在Terminal-Bench2.0和τ^2-Bench上，该方法分别使较弱和较强行动智能体的pass@1提升了8.3个百分点（Terminal-Bench）和6.8个百分点（τ^2-Bench）。消融实验表明，选择性干预优于被动记忆库暴露、始终注入、仅顾问式指导以及通用检索。作为迈向开放权重记忆策略的初步步骤，我们使用SFT和GRPO在SETA上训练Qwen3.5-27B，提升了验证奖励，并实现了对Terminal-Bench的部分迁移。

查看arXiv页面 (https://arxiv.org/abs/2607.08716) 查看PDF (https://arxiv.org/pdf/2607.08716) GitHub0 (https://github.com/yifannnwu/proactive-memory-agent) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.08716)

在您的智能体中获取本文：

hf papers read 2607.08716

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

引用本文的模型0

暂无模型与此论文关联

请在模型 README.md 中引用 arxiv.org/abs/2607.08716 以将其链接到此页面。

引用本文的数据集1

cy0307/awesome-loop-engineering 查看器 • 更新于约5小时前 • 430 • 1.2k • 2 (https://huggingface.co/datasets/cy0307/awesome-loop-engineering)

引用本文的Space空间0

暂无Space空间与此论文关联

请在Space空间 README.md 中引用 arxiv.org/abs/2607.08716 以将其链接到此页面。

包含本文的收藏集0

暂无收藏集包含本文

请将本文添加到一个收藏集 (https://huggingface.co/new-collection) 以将其链接到此页面。