代理(agents)在處理複雜的現實世界任務中變得越來越關鍵,從一般的網路導航到協助處理龐大的軟體工程程式碼庫。然而,當這些代理轉變為現實世界中持續運作、長期執行的角色時,它們面臨一個關鍵限制:在部署後,它們難以分析並從成功與失敗的經驗中學習。
代理在沒有記憶機制的情況下處理每個新任務時,會重複犯相同的策略性錯誤,並丟棄寶貴的見解。為了解決這個問題,業界引入了各種形式的代理記憶,用於儲存過去互動的資訊以供重複使用。然而,現有方法通常側重於儲存每次行動的詳盡記錄(例如 Synapse 中使用的軌跡記憶),或者只記錄從成功嘗試中總結的工作流程(如 Agent Workflow Memory)。

