正在打开每日关注
正在打开每日关注
视频解读一篇 Agent 记忆论文：持续压缩与整合可能让原本有效的经验变成行为偏置，值得关注记忆系统的边界保留与评估机制。
先 看 一 个 案例 一 条 记忆 是 怎么 把 Agent 的 行为 带 偏 的 本 来 只 是 “ 找 不 到 再 翻 页 ”， 沉 淀 成 记忆 后 ， 变 成 “该 买 时 还 在 翻 ” 记忆 W8 行为 偏 置 手术 测试 第 一 页 不 匹配 局 一 直 翻 页 本 只 删 W8 就 点 Next 不 进入 购买 表现 回升 听 起 来 合理 Agent 被 带 偏 坏 记 忆 被 定位 7->14 18 -> 23 约 降 2.3X 成 功 数 /50 成 功 数 /50 Next 点 击 频率 先 看 论文 里 最 直观 的 例
视频解读论文《Useful Memories Become Faulty When Continuously Updated by LLMs》，讨论 Agent 将成功轨迹持续整合为长期记忆后，性能反而下降的现象。
论文归纳三类失效机制：将不同任务经历错误归类；在压缩中丢失适用条件；基于狭窄、重复的样本形成过拟合规则。视频以 WebShop 中的记忆 W8 为例：原本“结果不匹配时翻页”的策略，被泛化成持续点击 Next，妨碍进入商品页、选规格和下单；删除该记忆后，两个模型的成功数均上升。
长期记忆不应只追求持续汇总，应保留任务边界、触发条件和反例，并对单条记忆做可删除、可对照的影响评估。视频中的指标与实验结论均为对论文的转述，未提供模型名称、完整设置或原始链接；W8 的具体可迁移性仍需回到论文核验。