论文发现记忆越多智能体越差，提出 Anti-Persistence 记忆设计
原文标题：More Memory, Worse Agents: Error Reproduction and Anti-Persistence in LLM 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。
研究指出 LLM 智能体若把推断出的规则、摘要与技能长期存入记忆，错误会通过「抽象-执行-再抽象」循环被反复再生，形成错误复现。作者提出 Anti-Persistence 设计：只累积轨迹与结果，按需重建任务指引并在执行后丢弃。在多个基准与骨干模型上，该设计取得更高的留出成功率与最低的平均 LLM 调用成本。
- 问题
- 智能体长期存储推断出的规则、摘要与技能，错误会经抽象-执行-再抽象循环反复再生。
- 方法
- Anti-Persistence 只累积轨迹与结果，按需重建任务指引并在执行后丢弃，用自适应选择器决定是否合成。
- 结果
- 多个基准与骨干模型上取得更高留出成功率与最低平均 LLM 调用成本；未给出具体数字。
- 影响
- 提示记忆并非越多越好，智能体记忆产品应优先存原始轨迹而非抽象规则。
深读 · 结论先行AI 生成展开看要点与影响 ↓
论文指出存储推断规则会让错误经「抽象-执行-再抽象」循环再生，提出只存轨迹的Anti-Persistence。
- •核心机制命名为error reproduction：错误抽象影响执行轨迹，轨迹又成为新抽象的基础，错误被反复再生。
- •Anti-Persistence只累积轨迹与结果，按需合成任务指引并在执行后丢弃，避免其作为存储对象被直接复用。
- •自适应选择器依据历史结果决定是否、如何合成指引。
- •在多个基准与骨干模型上取得更高留出成功率，且平均LLM调用成本最低。
为什么重要：对给Agent加长期记忆的团队是反直觉提醒：记忆越多未必越好，存什么比存多少更关键。
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。