ExperienceIndex：基于任务资料的Agent经验记忆

知识密集型任务需要基于共享材料语料库，例如法院案例或科学文献，推理并回答多个问题。人类在使用这些语料库时会自然积累针对材料的经验知识，从而迅速找出新任务所需的完整材料集合。现有AI Agent缺少构建和复用这类经验的适当记忆方案，导致答案质量下降、在线成本上升。已有记忆方案从先前解题轨迹提取并复用信息，但主要关注用户偏好、事实属性或抽象推理模式，而非持久的材料特定知识。我们提出ExperienceIndex，一个根据以往推理轨迹捕获并复用材料知识的Agent经验层。它存储两种互补经验：总结单份材料对以往任务贡献的单材料经验，以及编码过去推理中发现的结构关系的材料对经验。ExperienceIndex作为轻量中间件集成，通过经验检索引导Agent找到新任务所需的完整材料集合，改善答案质量与效率。在多种语料库及使用不同检索框架的Agentic方案上，它都取得一致收益，答案质量最高提高11.0分，在线费用最高降低50.5%。我们还展示了两项效果：文本到SQL任务中积累的经验，可迁移到同一材料语料库上的事实问答；更强模型产生的经验，可帮助较弱模型达到相近表现。