标签
该持续适应框架通过用户流量演化程序性记忆以用于代理式图形设计，在无需权重更新和人工标签的条件下提升执行成功率。
Memorable引入了一种使用嵌入代替令牌来优化AI代理记忆的方法，使得程序性记忆能够跨多个运行持续存在。
本研究探讨了语言代理中程序性记忆不匹配如何影响网络任务，发现在受控条件下，不匹配不会导致行为中断或错误。
SkillGLoW 表明，自我改进的智能体通过存储可复用的任务解决流程，而非记忆每一个过往任务，实现了更优的性能，获得了 17.2 分的提升，且库体积仅为原来的 1/3.6。
一位开发者分享了一个多代理系统的原型记忆架构，包含对情景记忆、语义记忆和程序记忆的分开存储，以及基于意图的检索，寻求关于可扩展性和设计选择的反馈。
Google Research的WikiSkill预印本展示了将执行历史编译成技能文件可以让一个9B AI模型在基准测试中超越27B模型，突出了程序记忆和技能转移在代理性能中的作用。
作者质疑现有的代理内存设置是否跟踪学习到的工作流程的成功率，并提出了他们使用计数器和进化日志的方法，寻求该领域的现有技术或惯例。
本文研究了技能增强LLM代理性能的条件，通过受控实验分析成功与失败因素，并提出了技能使用模式的分类法。
本文介绍了 SkillZip，一种契约保持的图压缩框架，它在章节级别压缩智能体技能库，在保留过程性契约和依赖闭包的同时，提高了检索和压缩效率。
分析 LLM 智能体中情景记忆与程序性记忆之间的差距，引用浙江大学和阿里巴巴的一篇新论文 (Memp)，该论文从智能体轨迹中构建程序性记忆，并利用失败信号修正存储的程序。
一条推特长线，提供关于构建随使用而改进的自学习智能体的战略建议，涵盖双学习来源、记忆类型和数据所有权。
作者认为，AI代理缺乏一种将分散的操作知识整合为可信的程序性记忆的机制，这是可靠部署的关键障碍，并询问社区这是否是真正的瓶颈。
一位开发者分享了他们使用 Anthropic SDK 和 TypeScript 构建具有记忆功能的 AI 智能体的经验，解释了工作记忆、情景记忆、语义记忆和程序记忆之间的区别，以及为生产环境扩展记忆所面临的挑战。
程序性记忆蒸馏（PMD）将来自强化学习 rollout 的跨回合信号转化为可复用的程序性记忆，并在训练过程中将其蒸馏到策略权重中，从而在推理时无需记忆即可实现自我改进语言模型。实验表明，PMD 在 SCIKNOWEVAL 上比 SDPO 提升 3.8-5.5%，在 LIVECODEBENCH 上提升 7.9-13.6%。
本文介绍了神经程序性记忆（Neural Procedural Memory，NPM），这是一种无需训练的框架，通过从对比历史经验中提炼的激活引导向量来存储程序性技能，使得LLM智能体能够在不依赖纯文本指令的情况下执行技能。
介绍了AFTER，一个包含382个企业任务的基准，用于评估LLM智能体中的程序性记忆，表明技能迁移能提升跨任务、角色和模型骨干的性能，部分技能广泛泛化，而另一些则专业化。