@rohanpaul_ai: 论文表明，当不丢弃任何过往信息时，智能体在长时间跨度内的推理能力更强。保留所有过往…

X AI KOLs Timeline 论文
lossless-memory programmatic-memory long-horizon-reasoning agent-memory coding-agents hidden-rule-games arxiv

摘要

该论文提出了PRO-LONG，它为AI智能体采用了一种程序化、无损耗的记忆系统，将所有过往动作存储在一个结构化的文本日志中。这种方法显著提升了长期推理能力以及在ARC-AGI-3游戏上的表现，同时使用的token数量比更强的专用系统少4.2到5.8倍。

论文表明，当不丢弃任何过往信息时，智能体在长时间跨度内的推理能力更强。 将每个过往动作保存在可搜索的日志中，帮助编码智能体更可靠地解决长任务。 长时间运行的智能体常常丢失关键细节，因为摘要会在无人知晓哪些信息将来重要之前就丢弃信息。 PRO-LONG 则记录每一个观察、动作、结果和简短计划，全部存入一个结构化的文本日志中。 然后，智能体使用普通的编码工具（如搜索命令和Python）来恢复相关证据。 在ARC-AGI-3的25个隐藏规则游戏中，该方法使相同的基座智能体平均提升了18个百分点。 同时，它在表现上与更强的专用系统相当或接近，而使用的计费token数量仅为后者的4.2到5.8分之一。 总体而言，这表明长期智能体记忆的最佳方式可能是存储保持无损且检索变得可编程。 – arxiv.org/abs/2607.20064 标题：“PRO-LONG: 程序化记忆实现长期推理”
查看原文
查看缓存全文

缓存时间: 2026/07/24 17:17

论文表明，当不丢弃任何过往信息时，智能体在长时间跨度内的推理能力会更强。

将所有历史操作保留在可搜索日志中，能显著提升编码智能体解决长任务时的可靠性。

长期运行的智能体常会丢失关键细节，因为摘要会在人们预知哪些信息日后重要之前就丢弃信息。

PRO-LONG 采用不同方法：它将每次观察、操作、结果及简短计划全部记录在结构化文本日志中。

随后，智能体使用常规编码工具（如搜索命令和 Python）来恢复相关证据。

在 ARC-AGI-3 的 25 个隐藏规则游戏中，该方法使相同基础智能体的平均得分提升了 18 个百分点。

同时，它匹配或几乎匹配了更强的专用系统，但成本仅为后者计费 token 的 4.2 至 5.8 倍。

总体而言，这表明长期智能体记忆可能在存储保持无损、检索可实现编程时表现最佳。

– arxiv.org/abs/2607.20064

标题：“PRO-LONG：可编程记忆助力长程推理”

相似文章

在关键时刻记住：面向长周期代理的前瞻性记忆代理

Hugging Face Daily Papers

本文介绍了一种前瞻性记忆代理，它与动作代理并行运行，以防止长周期任务中的行为状态衰减，在Terminal-Bench2.0和τ^2-Bench上取得了显著提升。作者还使用SFT和GRPO训练了Qwen3.5-27B，作为迈向开放权重记忆策略的初步步骤。