PREPING：无需任务构建智能体记忆

智能体记忆通常要么从精选演示离线构建，要么从部署后交互在线构建。然而无论以何种方式构建，智能体在初次进入新环境而没有任何任务特定经验可用时，都面临冷启动缺口。本文研究任务前记忆构建：智能体能否在观察任何目标环境任务之前，仅凭自生成的合成练习构建程序性记忆。然而仅有合成交互并不足够：若不控制练什么、存什么，合成任务会变得冗余、不可行并最终缺乏信息量，而且由于轨迹未经过滤，记忆还会快速退化。为克服这一点，我们提出Preping，一个由提议者引导的记忆构建框架。其核心是提议者记忆（proposer memory），一个塑造未来练习内容的结构化控制状态。Proposer基于该状态生成合成任务，Solver执行任务，Validator判定哪些轨迹有资格写入记忆，同时提供反馈以引导后续提议。在AppWorld、BFCL v3和MCP-Universe上的实验表明，Preping大幅超越无记忆基线，并与基于离线或在线经验构建的强playbook方法性能相当，在AppWorld和BFCL v3上的部署成本分别比在线记忆构建低$2.99\times$与$2.23\times$。进一步分析揭示，主要收益并非仅来自合成数量，而是来自提议者侧对可行性、冗余度和覆盖面的控制，加上选择性的记忆更新。