MemoryArena：用相互依赖的多会话任务评测Agent记忆

现有带记忆Agent的评测通常将记忆与行动分开考察。一类基准通过回忆过去对话或文本评测记忆，却无法反映记忆如何指导未来决策；另一类关注单会话任务中的行动，不要求长期记忆。实际使用中，两者紧密相连：Agent在与环境交互时形成记忆，随后依靠这些记忆解决未来任务。为覆盖这一情境，本文提出MemoryArena，在多会话的记忆、Agent与环境循环中统一评测Agent记忆。基准由人工构建的Agent任务组成，子任务之间具有明确依赖；Agent必须从早先的行动与反馈中提炼经验形成记忆，再用这些记忆指导后续行动，完成整体任务。MemoryArena覆盖网页导航、受偏好约束的规划、渐进式信息搜索和顺序形式推理。结果显示，在LoCoMo等长上下文记忆基准上已接近饱和的Agent，在这些Agent任务中表现不佳，揭示了现有记忆评测的缺口。