从记忆到技能：基于证据的协同进化框架赋能长程LLM智能体

近日，一项发表于arXiv的研究提出名为MSCE（Memory--Skill Co-Evolution）的创新框架，旨在解决当前长程大语言模型智能体存在的记忆利用率不足问题。传统记忆系统通常仅将过往轨迹作为被动上下文检索，而MSCE通过结构化组织智能体经验，将其转化为可复用的程序性策略和声明性环境认知。

该框架的核心创新在于将经过验证的L2策略转化为可调用技能，每个技能均保留证据链接、适用边界、决策指导、验证规则和可靠性评估等多维度元数据。同时引入反射加权价值回溯机制，通过密集的局部自我反思传播稀疏的终端反馈，生成证据校准的轨迹价值，从而动态指导记忆与技能的协同进化。

在EvoAgentBench和LoCoMo基准测试中，MSCE显著超越现有技能增强型和记忆驱动型基线方法，展现出强大的跨领域迁移能力和终身进化特性。这一训练无关的框架为构建具备持续学习能力的自主智能体提供了新思路，有望推动具身智能和复杂任务规划领域的发展。