HyperSkill：通过超图结构技能记忆自我进化 LLM 代理

随着代理任务复杂性的增加，LLM 代理越来越依赖经验记忆来跨任务重用程序知识。有效的内存设计必须共同解决存储什么、如何构建和检索内存以及如何演化的问题。现有系统仅部分解决每个问题：它们将轨迹、见解或工作流程存储为独立的条目，丢弃子任务和可重用技能之间的组合关系；通过忽略关系信号的平面嵌入相似性进行检索；并在不利用其关系结构的情况下维护记忆。我们提出了 HyperSkill，一种基于超图的内存框架，可以共同改进这三者。 HyperSkill 将内存表示为具有两种节点类型、子任务步骤和可重用技能的超图，其中每个超边从单个轨迹链接子任务和技能。双路径检索查询子任务和轨迹级别，根据检索到的轨迹中的共现情况对技能进行排名。定期的结构通知维护会修剪低效用节点，并通过质量加权传播合并冗余技能。在使用 GPT-4o 和 Qwen3-30B-A3B 的 xBench、GAIA 和 WebWalkerQA 中，HyperSkill 的性能优于 10 个内存基准，在 GAIA 上获得高达 +11.51 的增益，在 WebWalkerQA 上获得 +11.18 的增益。