跳至正文返回首页UC Berkeley 论文：研究 Agent 的扩展瓶颈是「不遗忘」
- 问题诊断：研究 Agent 的常见做法是保留完整会话历史并在其上迭代。运行一段时间后，每个 Agent 会锚定在自己过去的尝试上，编辑幅度越来越小，追加的预算不再带来改进。论文将这一现象归因于历史本身对探索空间的约束。
- 方法设计：系统定期丢弃每个 Agent 的 session 与候选历史，再从目前找到的最优候选重启。论文对这一机制的定位是「诱导遗忘」（inducing forgetting），即把已探索路径的上下文视为需要主动清理的状态，而非应当保留的资产。
- 评测结果：在启发式编程、内核优化与模型训练三类任务上，该机制相比并行运行的 Agent 提升最多 15%，相比同等预算下的单 Agent 提升最多 39%。
- 行业意义：Agent 系统的能力调优正在从提示与工具层，延伸到上下文生命周期的管理。当并行采样、多次重启这类探索策略被广泛采用，丢弃历史的时机与粒度会成为与检索、记忆写入同等重要的可调参数；对长时运行的研究型 Agent 而言，保留全部上下文不等于保留全部价值。
🔗 论文 arXiv:2610.20563 | Chat with Paper | 原推文
