設想這樣一個場景：你有一個AI助手，它第一次執行任務時失敗了，但從那一刻開始，它就“記住了教訓”，并且永遠不會再犯同樣的錯誤。 這意味著，它不僅能回答你的問題，還能像人一樣，越用越聰明。

這聽起來像是科幻片里的橋段吧？但在人工智能研究領域，這其實一直是一個未解的核心難題。 我們構建了強大的LLM Agent，它們可以自主調用工具、規劃任務、推理求解，但要么過于僵化，不能學習新經驗；要么依賴昂貴的模型微調（Fine-tuning），既慢又費錢，還無法實時適應環境變化。

最近，一項名為 Memento 的新研究給出了第三種答案： ?? 不需要微調LLM，只需給它裝上一個“類人記憶系統”，就能實現持續學習。

這意味著，未來的AI智能體不再是“一次性編程的工具”，而會成為真正意義上能成長、能進化的伙伴。

Github地址：https://github.com/Agent-on-the-Fly/Memento

為什么今天的LLM Agent“不夠聰明”？

要理解Memento的突破，先要看清現狀。 目前的LLM Agent，大致可以分成兩種典型模式：

① 剛性Agent（Rigid Agent）

• 特點：固定流程，任務導向明確，執行穩定。
• 缺陷：完全不會自我修正。
• 舉例：某些自動化腳本型智能體，能完成網頁信息抓取，但一旦網站改版，它就徹底癱瘓。

② 微調Agent（Fine-Tuning Agent）

• 特點：通過不斷微調參數來“學習”新任務。
• 缺陷：成本極高，訓練流程復雜，不可能做到“隨學隨用”。
• 舉例：基于RLHF（人類反饋強化學習）微調的Agent，理論上能更智能，但訓練一次要花費大量GPU算力。

所以問題來了：有沒有一種方式，讓Agent能像人一樣，通過“記憶”積累經驗，而不是每次都大動干戈去微調模型？

這正是Memento要解決的核心痛點。

什么是Memento？

一句話總結： ?? Memento = 給LLM Agent加上一個外部記憶系統（Case Bank），讓它像人一樣用“過去經驗”指導“未來決策”。

研究團隊受到心理學中的 案例推理（Case-Based Reasoning, CBR） 啟發：

• 人類解決新問題時，常常會回憶類似的舊問題；
• 過去的成功經驗、失敗教訓，都會成為決策依據；
• 我們并不是“微調大腦”，而是依賴記憶來進化。

Memento的機制與此如出一轍：

• Case Bank：存儲智能體的所有交互軌跡，包括步驟、結果、成功/失敗標簽；
• 檢索機制：新任務來臨時，Agent先去Case Bank找相似案例；
• 動態學習：無需修改LLM參數，而是通過“讀寫記憶”來獲得新的策略。

這就像給AI裝了一個“外置硬盤”，專門用于積累經驗。

Memento的架構：兩步走，簡單卻強大

Memento的設計可以分為兩個階段：

?? 階段一：案例驅動規劃（Case-Based Planning）

• Planner（規劃器）：由LLM驅動，接收用戶任務，拆解為子任務；
• 關鍵點：在制定計劃之前，Planner會去Case Bank檢索歷史案例；
• 好處：避免重蹈覆轍，同時借鑒過往成功策略。

舉個例子： 假設Agent要完成“爬取論文數據并生成總結”，它會去回顧之前在“信息檢索+摘要”任務中的經驗，尤其是曾經失敗的路徑，確保這次不再掉坑。

?? 階段二：工具驅動執行（Tool-Based Execution）

• Executor（執行器）：另一個LLM，負責調用外部工具完成子任務；
• 工具庫：包含網頁爬蟲、代碼執行器、文件解析器等；
• 持續記錄：每一步執行的結果都會寫回Case Bank，形成新的經驗。

更重要的是，Memento引入了**軟Q學習（Soft Q-learning）**機制，讓Agent能動態評估：哪些案例最有價值，哪些需要弱化，從而提升檢索質量。

實驗表現：不是概念，而是真正跑出來了

Memento并非停留在理論層面，而是在多個權威測試集上展現了強勁實力：

• GAIA基準測試

     a.任務：考察智能體在復雜長任務（需多步推理+工具調用）上的能力；

     b.成績：Memento以 79.40% 的準確率拿下Top-1，成為開源Agent框架新標桿。

• DeepResearcher數據集

     a.任務：實時Web研究，考察Agent在開放環境下的信息檢索與分析能力；

     b.成績：Memento取得 66.6% F1分數，超越依賴大規模微調的對手。

• 消融實驗（Ablation Study）

     a.加入Case Bank后，任務準確率平均提升 **9.6%**；

     b.證明記憶機制確實是“質變”的關鍵因素。

換句話說，Memento證明了：持續學習≠微調模型，外部記憶同樣行之有效。

為什么Memento很重要？

從研究走向應用，Memento有幾個關鍵意義：

1. 成本優勢不再需要頻繁微調，節省海量算力和數據。
2. 適應性更強Agent可以即時更新記憶，適應動態環境。
3. 通用性Memento本身是一個框架，可以與不同LLM（如GPT-4.1、o4-mini）結合。
4. 向AGI邁進一步如果說LLM是“聰明的大腦”，那么Memento就是“記憶的軀體”。兩者結合，才更接近人類智能。

結尾：AI的未來，不是更大模型，而是更好“記憶”

Memento展示了一條新的路徑：

• 我們不必再為模型參數的“微調”疲于奔命；
• 我們可以通過“外部記憶”來賦予AI持續學習的能力；
• 更像人類，也更具擴展性。

當AI開始具備這種“經驗驅動的自我進化”后，我們或許就離真正的**通用人工智能（AGI）**更近一步。

問題也隨之而來： ?? 在你看來，未來的AI智能體更需要“更大的大腦”，還是“更持久的記憶”？ ?? 你會希望你的AI助手具備Memento這樣的能力嗎？

本文轉載自??Halo咯咯??    作者：基咯咯