当成功的记忆误导具体Agent时：任务条件执行的记忆适应

经验重用可以减少具身Agent中的重复探索，但先前成功的轨迹可能不适合当前的执行上下文。现有的记忆系统主要优化构建和检索；因此，当检索到的经验包含不相容的行为或不适当的结构级别时，语义相关性和历史成功仍然不够。我们引入了任务条件执行的内存适应（MATE），这是一种确定性的检索后过程，可将轨迹转换为面向执行的内存。 MATE 删除过时的控制上下文，提取条件-动作-效果转换，应用经过验证的动作标准化，选择任务相关表示，并在固定预算下序列化结果，而无需额外的 LLM 推理。在 134 个 ALFWorld 任务中，MATE 使用 Qwen2.5-14B 和 72B 实现了 81.3% 和 93.3% 的任务成功率，同时使用了原始轨迹所需词元的大约十分之一。受控比较表明，经过验证的动作规范化是 MATE 恢复检索经验效用的主要机制，支持记忆适应作为检索和具体执行之间的一个不同阶段。