MIT and Meta paper proposes correcting AI agents’ old notes using task outcomesMachine translation

麻省理工学院和 Meta 的一篇新论文发现，如果能根据旧笔记下次被使用时发生的情况对其进行修正，智能体的记忆效果会更好。

在工作中学习的智能体会保存过去任务的笔记，并再次使用。笔记一旦写下就很少更改，因此过于宽泛或过时的经验会持续误导智能体。

每项任务结束后，ReHarness 会将检索到的笔记和任务结果交给一个修订智能体。该智能体仅使用笔记所对应原始任务中的事实，缩小或修正每条笔记的适用范围和内容。

在 3 项基准测试和 3 个前沿模型上，它的归一化增益平均为 0.240；这一指标表示相对于无记忆智能体，可能实现的改进中实际实现的比例。表现最好的原始轨迹基线得分为 0.168；在使用 Claude 的 CL-Bench 测试中，重放完整原始历史所用的词元数是其 3.4 倍。

如果你的智能体会从经验中学习，就让每次任务的结果修改曾影响该任务的笔记，而不只是添加新笔记。