外部记忆让LLM智能体从经验中改进:把过往任务轨迹蒸馏成简洁教训,再用于新任务。但这也会造成记忆诱导退化——智能体在有记忆时,反而做不好原本不用记忆就能完成的任务。常见原因是它遵循了错误教训,或误用、误读了有效教训。这些教训从仅标注成败的轨迹中推断,却通常不附带原始轨迹,智能体无从核对。
记忆为何会变成负担
问题不在记住了,而在无法核对。材料指出,轨迹里往往仍保留抓住错误教训所需的证据,但现有做法把教训单独交给智能体,切断回溯。当insight缺少行动细节、彼此冲突、或来自失败任务时,模型只能盲信压缩句子,退化容易发生。失败标签可以催生看起来合理的教训,却不保证它在新任务上成立,也不保证智能体读对。
WikiTrace如何链接证据
WikiTrace将每条教训存为简洁insight,并链接到该轨迹成败原因的摘要以及原始轨迹。新任务上,智能体从全部insight出发;一旦某条缺少行动细节、与其他冲突、或来自失败任务,就顺着链接并用终端工具下钻,补全细节或先修正insight再行动。作者还对比仅提供相同insight的基线,说明增益来自可核对而非insight文本本身。五个智能体基准上,材料称其持续优于现有记忆方法,并降低记忆诱导退化。摘要未给出基准名与数值,不作外推。
我的判断
把可核对做成记忆的一等公民,方向是对的。智能体记忆的风险主要不是容量,而是不可追溯的压缩。它适合轨迹可保存、经验需跨任务复用的智能体场景。边界也清楚:材料未谈存储与下钻成本、延迟和五个基准的任务类型;轨迹噪声大或insight抽取差时,链接未必够用。缺少数字时,更稳妥的读法是:这是对记忆诱导退化的机制回应,值得看实现,但还不是可直接照搬的通解。