论文
Agent记忆蒸馏：以分层教师记忆赋能小型LLM智能体
Agent Memory Distillation: Empowering Small LLM Agents with Hierarchical Teacher Memory
摘要
记忆系统在提升智能体性能方面已展现出潜力，但其对小语言模型的潜力大多尚未被开发，因为小模型难以自行生成足够的成功轨迹。我们提出Agent记忆蒸馏（AMD），一个免训练框架，通过分层记忆把大型教师智能体的结构化知识迁移给小学生智能体。AMD从成功的教师轨迹构建三种互补记忆：工作流（Workflow）记忆编码任务级策略，子任务（Subtask）记忆在中间粒度上提供具体行为示例，函数（Function）记忆捕获各函数的调用惯例与常见陷阱。工作流与子任务记忆在每个任务开始时主动注入，而函数记忆在工具调用出错时被动检索。我们在三个工具使用基准上评估AMD，使用四个学生模型（4B-8B参数）并以GPT-5-mini为教师，在AppWorld、BFCL V3与ToolSandbox上分别取得平均27.2、11.2与3.4个百分点的准确率提升，并持续超越现有基于记忆的基线。进一步分析表明，子任务记忆贡献了最大增益，教师效果同时取决于教师能力与学生兼容性，而4B规模的学生从AMD中获益最多。
