标签
Anthropic 工程师公开了一项他们内部使用的简易技巧：利用外部记忆脚手架，让 Claude 代理将错误和改进记录在一个文件中，从而在无需重新训练模型的前提下持续提升性能。
本文提出了一种针对LLM智能体的双层智能体记忆框架，通过快速写入路由和慢速整合来管理知识生命周期，以在保持性能的同时修剪冗余外部记忆。
AgentBrew 提出了一种无需训练的方法，将知识从强教师 LLM 代理蒸馏到弱学生代理，通过失败触发的反思循环和感知学生的合成来创建可执行的笔记，提高了编码、数学和工具使用任务的性能，而无需更新权重。
本文提出TraceRetain，这是一个用于冻结LLM智能体中绑定外部存储的轻量级框架，表明选择性记忆保留主要在记忆流包含噪声时与缓存启发式方法区分开，从而带来任务成功率和效率的提升。
一份研究报告，详细描述了构建外部记忆架构的受控实验，该架构能够实现独立于模型权重的持久性AI身份。研究发现，在三种拓扑结构中，积累的片段历史在塑造输出方面始终主导系统提示。
FS-Researcher 引入了一个基于文件系统的双代理框架，通过利用持久化外部内存作为共享工作区，使 LLM 代理能够突破上下文窗口限制进行深度研究。该框架在研究基准测试上实现了最先进的结果，并通过向证据收集分配计算来展现有效的测试时扩展能力。