📖 AI 总结

本文针对企业级长周期智能体的持久记忆管理问题提出"环境探测式策展"方法。传统后任务策展智能体仅依赖已完成轨迹，容易固化错误、过度泛化局部证据或保留过时知识。该方法为现有异步策展智能体赋予最小权限的只读环境工具，用于核查、界定和刷新候选记忆，无需重新训练模型，也不改变任务智能体、检索器、记忆表示及生产写入权限。在基于GitHub Copilot SDK构建的生产级测试环境中，作者对比了无状态执行、全上下文学习、GHCP+Mem及加入环境探测的GHCP+Mem四种方案，覆盖CLBench数据库探索任务与90项改编自APEX的管理咨询任务。结果显示，在CLBench上探测机制将通过率从39%提升至73%，通过折扣奖励从8.60升至22.60，同时将每题查询数从8.8降至4.7，任务智能体成本从3.38美元降至1.68美元；在六个APEX场景中，全部18项记忆与基线对比的平均奖励均为正向，任务智能体工具调用减少16%至75%，且探测在五个场景中实现了最佳的单位成本奖励增益。该研究的意义在于将现有智能体记忆策展转变为环境知情、可审计的过程，同时保持任务时接口的紧凑性。

🔑 关键词速览