论文页面 - MemHarness：记忆是重构的，而非回放

来源：https://huggingface.co/papers/2607.28272 作者：

，

，

，

，

，

，

，

，

，

，

，

摘要

检索过往经验已成为增强大语言模型智能体（agent）的常见策略。然而，大多数现有的记忆增强智能体将检索到的经验视为需要逐字回放的静态记录，无论这些经验是否与智能体当前的情境相符，都将其注入上下文。这种“回放”范式忽略了存储经验的抽象、通用本质与决策时所遇到的具体、不断变化的状态之间的差距，常常导致负迁移。相比之下，人类很少逐字回忆过去的经验；相反，他们会重新组织并调整检索到的记忆，使其适应当前情境。受此启发，我们提出了 MemHarness，一个使 LLM 智能体能够基于当前情境主动利用和重构过往经验的框架。在每个决策步骤中，统一策略模型会根据当前状态对检索到的经验进行批判和重构，在行动前生成基于上下文的指导。这种重构能力通过使用 GRPO 的端到端训练自然涌现。在 ALFWorld 和 WebShop 上的实验表明，MemHarness 显著优于纯 RL 和静态记忆增强基线，并在分布外（OOD）场景中展现出强大的鲁棒性。此外，我们的分析揭示，这种重构目标不仅防止了负迁移，还在训练期间起到潜在引导作用，从根本上提升了智能体固有的推理能力。

查看 arXiv 页面 (https://arxiv.org/abs/2607.28272)查看 PDF (https://arxiv.org/pdf/2607.28272)项目页面 (https://arxiv.org/abs/2607.28272)GitHub1 (https://github.com/KnowledgeXLab/MemHarness)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.28272)

在您的 agent 中获取此论文：

hf papers read 2607\.28272

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

引用此论文的模型0

暂无模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2607.28272 即可从此页面链接到它。

引用此论文的数据集0

暂无数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2607.28272 即可从此页面链接到它。

引用此论文的 Space0

暂无 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2607.28272 即可从此页面链接到它。

包含此论文的收藏集0

暂无收藏集包含此论文

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