ERSkill：为技能引导的自适应记忆检索而发展

虽然 大语言模型 (LLM) 代理越来越依赖长期记忆来进行持久交互，但控制这种记忆的检索机制很少被视为可进化的组件。这种静态方法限制了异构内存查询的性能，异构内存查询通常需要不同的证据构建策略。为了解决这个问题，我们引入了 \textbf{ERSkill}，一个以检索为中心的框架，用于不断发展的、技能引导的内存访问。 ERSkill 将交互历史编译到结构化内存存储中，并将检索行为表示为由基本原语组成的可执行技能。在推理时，经过训练的路由器动态地将每个查询与合适的检索技能相匹配，以构建用于答案生成的定制证据。 ERSkill 在训练期间共同发展技能集和路由器。它采用经验树来有效记录探索的检索路径，同时采用双边界机制将预言机端功能扩展与路由器验证的部署分开。跨多个代理内存基准测试的实验表明，ERSkill 的性能大大优于强大的非进化和进化基线。值得注意的是，Qwen3-Next-80B-A3B-Instruct 的 F1、BLEU-1 和 LLM 评审分数的总体平均分数提高了 31.3%，GPT-5.4-nano 的平均分数提高了 21.4%。