RefCon：上下文演化智能体的迭代细化和对比记忆提取

长视野Agent交互会产生有用但嘈杂的体验，并且重新训练模型来吸收它是昂贵的。因此，上下文演进的Agent需要内存提取方法，该方法可以通过更多的测试时间计算来改进，而不依赖于黄金标签。我们提出了 RefCon，它将顺序自精炼与并行自对比相结合，以提取更高质量的记忆，而无需金标签。在跨多个上下文演进Agent框架的 AppWorld 和 BFCL-V3 上进行评估，RefCon 提供了强劲且一致的收益，其中与无扩展基准相比，ACE 相对提高了 21.6%，ReMe 相对提高了 16.6%，而注重多样性的变体 (DivCon) 则比 ReasoningBank 提高了 35.5%。 RefCon 始终优于没有真实标签的现有基线，并在模型规模和软件工程任务中进行推广，甚至超越了真实基线。我们进一步分析了准确性-词元权衡和扩展行为，表明 RefCon 保持了良好的效率，并且随着使用更多轨迹而持续改进，这与较早饱和的仅多样性扩展不同。