ForecastCompass：利用自适应因子记忆指导代理预测

代理预测对于动态环境中的决策非常重要，但它仍然具有挑战性，因为代理必须从不完整、有时限的证据中进行推理，并在结果得到解决之前产生校准的概率。记忆提供了一种将经验从已解决的预测转移到未来预测任务的自然机制。然而，现有的代理记忆方法不适用于预测，因为它们通常存储过去的交互、反射或事实关联，而没有明确表示可重用的预测因素或校准知识。我们提出 ForecastCompass (FoCo)，一种用于代理预测的基于自适应因子的记忆框架。 FoCo 通过分层预测任务分类来组织预测经验，从而能够检索与任务相关的预测知识。它维护两个互补的内存组件：因子内存（捕获可重复使用的预测维度）和推理内存（编码概率更新、不确定性处理和校准原理）。 FoCo 使用回顾性分析作为学习信号，通过语言化的记忆修改程序迭代地修改记忆，使代理能够随着时间的推移积累可转移的预测知识。使用 GPT-5-mini 和 Gemini-2.5-Flash 在 Prophet Arena 和 FutureX 上进行的实验表明，FoCo 提高了概率精度和校准。