Momento：通过多会话代理对话评估持久内存和推理

智能体AI的最新进展使代理能够通过工具使用、推理和多步骤规划来完成复杂的任务。然而，现有的基准在单个会话中评估代理，忽略过去的操作、陈述的偏好以及代理必须集成以实现个性化用户目标的先前决策。我们引入了 Momento，这是多会话服务环境中持久代理任务完成的基准，要求代理采取相应的、工具介导的操作，同时解决时间依赖性并跨会话发展用户目标。实验结果表明，当前代理的失败主要是由于对用户状态的错误估计，将先前的会话历史视为当前上下文的可靠代理，而不是需要重新验证的过时信息，这凸显了当前代理能力与现实的长期人机交互之间的巨大差距。