论文提出 REM：编码智能体的经验记忆生命周期管理
原文标题：REM: What to Store, When to Recall, What to Forget in Experience Memory for Coding Agents
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究提出 REM（可复用经验记忆）框架，从智能体的思考-行动循环内部管理记忆生命周期，明确「存什么、何时召回、何时遗忘」三项决策。在仓库级 Bug 修复基准 SWE-ContextBench Lite 上，REM 的相关轨迹检索准确率达 68.7%，优于现有最优记忆系统的 55.6%，任务解决率从 24.9% 提升至 27.6%，成本降低 17%。结论指出经验复用的瓶颈不在检索精度，而在记忆的存储与治理方式。
- 问题
- 智能体每次运行产生的经验很少被下次复用，现有记忆系统只关注检索。
- 方法
- REM 从思考-行动循环内部管理记忆生命周期，显式决策存什么、何时召回、何时遗忘。
- 结果
- SWE-ContextBench Lite 上相关轨迹检索准确率 68.7% 对 55.6%，任务解决率 27.6% 对 24.9%，成本降低 17%。
- 影响
- 说明经验复用瓶颈在存储与治理而非检索精度，编码智能体记忆设计可直接借鉴。
深读 · 结论先行AI 生成展开看要点与影响 ↓
REM在SWE-ContextBench Lite上把轨迹检索match@1做到68.7%（对比55.6%），解决率24.9%→27.6%且成本降17%。
- •从智能体think-act循环内部管理记忆生命周期，明确存什么、何时召回、何时遗忘三项决策。
- •每条完成轨迹压缩为阶段结构化文档，比原轨迹小两个数量级。
- •任务开始时注入文档，较贵的实现记录要等循环内门控检测到智能体卡住才放出，且只暴露一次即驱逐。
- •以摘要或原始轨迹形式注入同一经验，即便oracle检索也不涨点；消融三项决策任一都降低解决率。
为什么重要：结论直指经验复用瓶颈不在检索精度而在存储与治理，给编码Agent记忆系统的设计重心提供了明确转向。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。