经验记忆图：智能体的一次性纠错

大语言模型（LLM）智能体通过生成状态、动作与观察的序贯轨迹，在自主决策上展现显著能力。但在复杂长程任务中，这些智能体常苦于复合错误，且难以从失败中恢复。既有的自纠正机制依赖基于提示的反思——天然脆弱、因迭代试错回路产生沉重的时间与API成本，并产出可能难以泛化到新场景的任务专属记忆。为此我们提出经验记忆图（EMG）：一个把智能体失败恢复重构为图匹配问题的框架。训练时，我们把失败探索轨迹与成功专家轨迹都转为有向动作决策图；通过匹配这些图，抽取公共子图（成功工作流）与显式指示如何纠正失败的图编辑路径（例如在给定观察下应添加、删除或重标哪些动作），并把它们存入带任务内节点与跨任务边的记忆图。测试时，EMG检索相关洞见并引导智能体单次、无循环执行。ALFWorld与ScienceWorld上的实验显示：EMG在成功率与平均奖励上持续超越最先进的反思基线，同时无需测试时试错。