MERIT：工具型智能体长期记忆成本感知评估
原文标题：When Does Memory Help? A Cost-Aware Evaluation of Long-Term Memory in Tool-Using 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。
MERIT是一个基准和测试平台，用于衡量长期记忆对任务执行型智能体的边际效用，并明确成本核算。在23,440个评分片段中，记忆将依赖任务的成功率从0.00提升至0.55-1.00。研究发现，嵌入检索在更新事实时表现不稳定，而结构化事实存储和LLM摘要等更新时写入的存储方式保持稳定。此外，更换记忆实现可使任务成功率变化高达60个百分点，且完整重放从不经济。
- 问题
- 现有长期记忆评估只看对话回忆，不衡量记忆是否改变工具型智能体的任务行为。
- 方法
- 构建MERIT基准与测试平台，用防泄漏的片段式工具任务、难度阶梯和完整token/美元计费衡量记忆边际效用。
- 结果
- 记忆将依赖任务成功率从0.00提升至0.55-1.00；更新事实上嵌入检索波动0.30-0.95，结构化事实存储与LLM摘要保持0.70-1.00。
- 影响
- 选记忆实现可让任务成功率差60个百分点，且完整重放从不经济，直接影响智能体记忆架构选型。
深读 · 结论先行AI 生成展开看要点与影响 ↓
MERIT实测记忆将依赖任务成功率从0.00提升至0.55-1.00，但换记忆实现可致成功率差60个百分点。
- •基准含23,440个评分片段，总成本42.57美元，覆盖三个领域的工具使用任务。
- •更新事实场景下嵌入检索不稳定（0.30-0.95，最大种子差0.45），智能体仅55%的时候按正确检索值行动。
- •写入时更新的存储（结构化事实库、LLM摘要）稳定在0.70-1.00，混合方案反而不如单独事实库。
- •完整重放从不经济；Claude Sonnet 5抽查复现了该模式。
为什么重要：长期记忆评估应从对话回忆转向任务效用与成本核算，记忆实现选型对智能体成功率影响巨大。
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。