Mem2ActBench：评测Agent能否用长期记忆正确调用工具

基于大语言模型的Agent越来越多地执行复杂工具任务，长期记忆对驱动动作至关重要。然而，现有基准主要检查Agent能否根据明确问题被动找回孤立事实，未能评测主动应用记忆完成任务这一更关键的能力。为弥补这一缺口，本文提出Mem2ActBench，评测Agent能否主动使用长期记忆选择适当工具，并根据记忆确定工具参数。基准模拟持续使用的助手：用户在漫长且被打断的交互中多次提及同一主题，并期待助手自动沿用已经确定的偏好和任务状态。数据流水线整合ToolACE、BFCL与Oasst1等异构来源，通过一致性建模消解冲突，生成2,029个会话，每个会话平均包含12轮用户、助手与工具交互。基于这些记忆链，反向生成方法构造400项工具任务；人工评估确认91.3%的任务高度依赖记忆。对七种记忆框架的实验表明，现有系统仍难以主动利用记忆确定工具参数，需要更有效的评测与改进方法。