论文
从记忆到技能：长期智能体的循证协同进化治理 LLM 智能体
From Memory to Skills: Evidence-Grounded Co-Evolution Governance for Long-Horizon LLM Agents
摘要
用于长视野 LLM 代理的现有内存系统通常将先前的跟踪作为被动上下文检索，而不是将其转换为可执行功能。在本文中，我们提出了 MSCE，这是一个 无需训练 记忆-技能协同进化框架，它将代理经验组织成扎根的步骤轨迹、可重用的程序策略和声明性环境认知。 MSCE 将具有积极估计收益的证据支持的 L2 策略具体化为可调用的技能，保留证据链接、适用性边界、决策指导、验证规则和可靠性估计。它还引入了反射加权值回填，它通过密集的局部自反射传播稀疏的终端反馈，以产生用于控制记忆和技能进化的证据校准的跟踪值。 EvoAgentBench 和 LoCoMo 上的实验表明，MSCE 显着优于最先进的技能增强和记忆驱动代理基线，表现出强大的跨域可迁移性和终身进化能力。