مقاله‌ی arXiv:2608.24876 · در صف خبرنامه
Recursive Experiential-Working Memory Evolution for Long-Horizon Agent Harnesses
رکوریس: تکامل بازگشتی حافظه‌ی تجربی و کاری برای هارنس‌های ایجنت بلندمدت
- تاریخ
- (۳ شهریور ۱۴۰۵) 2026-08-25 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Zhaochen Yu, Yingcheng Wu, Zhenfei Yin, Kaiyuan Chen, Zhe Zhao, Mengdi Wang, Shuicheng Yan, Ling Yang
- نهاد نویسنده‌ها
- NUS; Princeton University; Stanford University; University of Oxford
- برچسب لابراتوار
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
خودبهبودی بازگشتی در تسک‌های بلندمدت سخت است، چون تاریخچه‌ی رو به رشد وضعیت تسک را مبهم می‌کند و فراخوانی مهارت‌ها را نابجا می‌کند؛ مثلاً ایجنت مهارتی را که برای دستور اولیه مناسب بود، بعد از عوض شدن وضعیت هم دوباره فرا می‌خواند.
روش
معماری Recuris دو حافظه را جفت می‌کند: حافظه‌ی کاری پیشرفت تسک را دنبال می‌کند و انتخاب مهارت از حافظه‌ی تجربی را هدایت می‌کند، تا استفاده از مهارت بر نیاز فعلی استوار باشد نه کل تاریخچه. این جفت شدن اجرا را به شواهد ساختاریافته‌ای تبدیل می‌کند که شکست‌ها را به اجزای مشخص حافظه نسبت می‌دهد. یک فراایجنت ثابت این شواهد را به به‌روزرسانی‌های محلی و دروازه‌دار حافظه‌ی مهارت تبدیل می‌کند و یک حلقه‌ی بازگشتی محدود تکامل حافظه می‌سازد.
یافته‌ها
- در چهار بنچمارک بلندمدت و ده مدل، موفقیت تسک را در ۳۵ از ۳۷ جفت مدل و بنچمارک تکمیل‌شده بهتر کرد.
- روی
tau-benchبهGPT-5.6 Sol۱۷٫۸ امتیاز و بهClaude Opus 5۱۵٫۶ امتیاز افزود و دومی را به ۸۷٫۹ درصد رساند. - روی
SkillFlowبه مدل‌هایQwen3.6-27BوQwen3.6-35Bبه ترتیب ۱۶٫۶ و ۱۳٫۵ امتیاز افزود. - برتری با بلندتر شدن افق تعامل بیشتر شد و در طولانی‌ترین تسک‌ها به ۳۲٫۲ امتیاز رسید، و شکست‌های رایج بلندمدت تا ۸۰ درصد کم شد.
محدودیت‌ها
مقاله بخش جداگانه‌ای برای محدودیت‌ها ندارد؛ دو جفت مدل و بنچمارک بهبود نیافتند و برخی جفت‌ها تکمیل نشده‌اند.
چرا مهم است
ایجنت‌هایی که از تجربه یاد می‌گیرند در تسک‌های طولانی اغلب مهارت نادرست را به کار می‌برند. این کار نشان می‌دهد پیوند دادن انتخاب مهارت به وضعیت تأییدشده‌ی تسک، خودبهبودی را در افق‌های طولانی ممکن می‌کند.