Agent Memory
Study
← 回到书房

23

Recursive Experiential–Working Memory Evolution for Long-Horizon Agent Harnesses

Zhaochen Yu, Yingcheng Wu, Zhenfei Yin, Kaiyuan Chen, Zhe Zhao, Mengdi Wang, Shuicheng Yan, Ling Yang · 2026

Editorial reading guide · 编者导读

为什么值得读

它把“经验内容好不好”推进到“经验何时被调用、执行后凭什么认定完成”。最值得借用的是这组可区分的接口；最需要谨慎的是把局部修补效果、广义递归叙事与不同预算下的成绩混成一个结论。

Source-backed paraphrase

论文在解决什么

长任务里，经验可能存在却没有在需要时进入行动。Recuris 用 working state 对齐技能调用，再把状态、调用、观测与校验连成 trace，供固定 Meta-Agent 定位可修补的记忆组件。它改变外部 memory-control 层，基础模型与外层改进程序保持固定；不同 benchmark 实际启用的组件并不相同。

Source-backed paraphrase

关键抓手

  1. §§2.1–2.2：可变对象包括 experiential skills E、working-state schema / update proposal W、invocation policy ρ 与 checker predicates C。当前状态和执行事件决定取用经验；执行尝试与已验证完成分开。
  2. §2.3：结构化 trace 用来定位值得修补的位置。每项 edit 限于其诊断组件，一轮可以涉及多个组件；这不是每轮只改一个组件，也不是识别真实因果责任。
  3. §§2.2–2.3：checker 提供证据，固定 commit kernel 决定状态提交；candidate patch 经 repair / regression 检查才可能进入下一轮。门控的有限测试证据不等于永久不退化。
  4. §3.5 与 Appendix E：跨任务经验、同任务重试适应和一次性模板注入是不同 treatment。阅读总表时必须先确认具体运行了哪一种。

Source-backed argument map

论证怎样成立

01 · 状态成为查询

历史会混入完成事项与执行噪声；让未完成目标、证据与 blockers 组织技能需求。

§§1、2.2.1–2.2.2

02 · 行动产生可定位证据

把 selected skill、tool action、observation、proposed state、checker 与 committed state 连起来，区分未调用、错误执行和错误完成标记。

§§2.2.3、2.3.1

03 · 修补对象有边界

Meta-Agent 提议局部更新，基础模型与外层程序不变；下一轮行为产生新的 trace，构成作者所称 bounded recursion。

§§2.3.2–2.3.4

04 · 效果必须回到实验单位

总表提供多数配对方向为正；组件 ablation、实际 admission history 与 matched-budget retry controls 才回答更窄的归因问题。

Tables 1–5、8–9；Appendices C–E

Source-backed method notes

方法与监督

Invocation 与完成状态分离

τ² 的 PRE_WRITE 可在拟执行写操作前退回 NOT_EXECUTED 并注入相关经验；终端任务在首轮边界注入。工具回执再参与状态校验，语言上的“做了”不直接等于完成。

§2.2；Appendix E

Split 与统计单位

τ² 的 evolve / dev / held-out test 分离；重复 rollout 以任务为 cluster 做 bootstrap。SkillFlow family template 使用同族任务，不具备该 held-out-task 设计。

Appendices A、C、E

诊断与修补不是因果识别

fault localization 实验只保留 E / W / ρ 三类可靠注入，每类 9 cases、两次诊断；checker fault 没能稳定诱发预期效果而被排除。

§3.4.1；Table 4

重试预算本身是 treatment

Terminal-Bench 的 seed / adapted memory 要在相同四次机会下比较；同任务 verifier bit 与 retry 不提供跨任务泛化证据。

§3.5；Tables 8–9

成本口径有缺口

Appendix D 报告 context 与 tokens per success，但逐轮 injected skill payload 没有持久记录，不能从现有表格恢复精确的注入 token 对照。

Appendix D

Paper-reported findings

报告了什么

  • Table 1：37 个已完成 model–benchmark pairs 中 35 个点估计提升；这不等于 35 个 statistically significant improvements。
  • Table 2（retail）：WM-only 82.0%，full 83.6%；增量 +1.5 pp 的 CI [−2.4, +5.7] 包含零。相对较大整体提升并不证明 EM 在该设定下有已分辨的独立增益。
  • Table 4：结构化 trace 的三类定位准确率为 64.8%，raw trace 37.0%，仅 outcome 13.0%；范围是人工注入后保留的三类诊断。
  • §3.4.4：被接受的更新仍使 42 个 anchor 中 4 个跌出原稳定标准；9.5% 不是零回归。baseline rerun 的对应波动为 25.9%，小 dev set 限制了判断精度。
  • Table 8：87 个终端任务里，single-budget baseline 解出 30，四次机会 seed memory 解出 51，adapted memory 解出 53；matched-budget 的 +2.3 pp，p = 0.774。
  • Table 9：87 tasks 的 avg@4 为 46.1% → 48.9%，差值 CI [−0.6, +6.3] 包含零；一次挑选的强 case 不能代替总体证据。

Evidence boundary

仍未证明什么

  • 未运行 Recuris 模型、任务环境、evolution 或 benchmark；上面数字全部是 paper-reported。
  • 各 domain ablation 回答不同问题。airline 的 Table 2 intervals 均覆盖零，不能把 retail 的组件解释通用化。
  • required-read action recall 测量发出了必需查询，不直接测量模型理解了观测；injection ablation 同时改变选择和 context 体量。
  • 未拒绝两种 Meta-Agent 的差异不构成等价检验；p = 0.72 与宽 CI 不足以证明实现可互换。
  • SkillFlow 的同族 template 提升不证明 held-out task transfer，也不证明完整 EM–WM / checker evolution 的效果。
  • 小 dev gate、anchor 波动与重试预算都限制“安全持续变好”的叙述；这些实验没有验证无限轮自我改进。

Source audit · observation and consequence kept distinct

原文内部张力

总架构与实例不是同一层

正文用四组件 memory loop 组织方法；Appendix E 明确 SkillFlow 无 runtime WM / invocation controller / checker，也不运行这些组件的 evolution。

定位：§§2–3 · Appendix E · SkillFlow

编者 consequence：为每个 benchmark 单独标出启用组件，不能让统一名称替代 treatment identity。

候选表现与实际接纳需要分开

Table 5 的 Run A / B 包含 post-hoc candidate evaluation，只有 Run C 在循环内接纳 patch；Run B 第四轮的 memory reach 为 0/86，任务成功率仍为 57.85%（Table 5）；该候选没有被调用到，Run C 也不是单调上涨。

定位：§3.4.2 · Table 5

编者 consequence：候选分数不等于 live admission history；门控应被审查，而非从标题推定有效。

四类 caption，三类实际判定

Table 4 caption 列 E / W / ρ / C，正文说明 C 类未进入最终比较。

定位：§3.4.1 · Table 4

编者 consequence：64.8% 的 denominator 属于三类、54 次判断，不能描述为四组件可靠归因。

Headline budget 与学习贡献

Table 8 的大幅总增益跨越一次与四次执行预算；相同四次机会时 seed 与 adapted 只差两题。

定位：§3.5 · Tables 8–9

编者 consequence：先比较同预算，再讨论 memory adaptation；目前总体增量尚未分辨。

Editorial synthesis / question

编者判断

把任务状态当作经验的入口 · Editorial inference — not tested by the paper

经验库需要回答此刻哪个未完成目标需要它；为“取到”和“用上”分别留下证据，才有机会诊断失效。

这是对方法接口的借鉴，不承诺某个产品接入后就提升成功率。

修补位置比责任标签更实用 · Editorial inference — not tested by the paper

一次失败可能由多个环节共同形成。先测试一项局部修补能否改变该行为，避免把诊断标签写成真实因果。

论文自己限制了 localization 的含义；工程干预仍须对照。

调用绑定还需要生命周期 · Editorial inference — not tested by the paper

调用到相关经验后，还要问其来源是否仍有效、当前版本是否属于其适用范围。共读专题把这个尚未由本篇验证的问题展开。

专题是跨源 editorial synthesis 与原创规则演示，不是 Recuris 复现或新增 benchmark evidence。

继续追问

一条经验通过了上次验证，并在这次正确时机被调用：我们还需要什么证据，才能相信它仍适用于这次的工具版本和任务？

继续追问与实践

问题
旧经验，怎样继续帮助当前任务？

经验在什么条件下能够提高当前能力？环境、版本或适用范围改变以后，怎样继续受益，又不被过去误导？

持续研究 · 当前判断可修订

Editorial transfer · 编者设计建议

读完，可以怎样借用

基于既有精读与本条明确标注的证据范围整理；下面针对新场景的迁移对照尚未执行。

Agent Memory Study editors · 2026-09-08

什么时候有用
经验已经写入库，但长任务中未必在需要时进入行动，完成状态也可能只来自语言声明。
可以借哪一步
先让未完成目标与执行事件组织经验调用，并把工具回执与“已经完成”的状态更新分开。
先做什么对照
保留一件需要写操作的任务，分别检查经验入库、被选中、进入调用前 context、动作成功回执；再加入失败回执，检查是否仍错误标成完成。
带走时的边界
这是基于精读的迁移建议，尚未在新项目执行。原文不同 benchmark 启用的组件不同；专题没有模拟 automatic evolution 或验证 gate。

阅读依据：既有札记 §§2.2–2.3、Table 2、Appendix E；“编者判断”。

Shared readings

放到一起读

一条更正之后 →

当前未完成目标可以组织经验调用；取用之后仍要确认执行反馈。

本演示没有 Meta-Agent、LLM、自动诊断、验证 gate 或 recursive evolution。

串读定位：§§2.2–2.3；Table 2；Appendix E

带走这份公开研究

Markdown ↓JSON ↓

含当前正文、出处、阅读范围与接续线索；链接的全文不随包附带。

已打开 Recursive Experiential–Working Memory Evolution for Long-Horizon Agent Harnesses