哈佛研究团队发现外部反馈在智能体记忆管理中的关键作用，助力自我演化型智能体发展

哈佛大学团队近日在大模型智能代理（Agent）研究中取得重要进展，揭示了外部反馈在记忆管理设计中的关键作用，为构建具备长期自我演化能力的Agent提供了新思路。随着大模型技术的发展，智能代理在代码生成、自动驾驶、个人助理等领域展现出巨大潜力，但其记忆系统往往针对特定任务设计，缺乏通用性，导致难以形成统一的管理规律。 研究团队由哈佛大学博士生熊梓迪及其导师组成，他们从最基础的记忆操作——添加与删除出发，探索如何有效管理记忆以提升Agent长期表现。通过实验，团队发现三个核心规律：经验跟随现象，即Agent倾向于复制相似历史任务的输出；错误传播效应，低质量或错误的记忆可能影响后续任务表现；经验回放失配，即过时或不匹配的记忆会拖累决策。 这些发现表明，精准的外部反馈对记忆管理至关重要。若缺乏高质量反馈，记忆系统反而可能阻碍Agent的长期发展。团队希望推动更多关于Agent通用机制的研究，并为未来记忆模块设计提供实证依据。 研究论文《内存管理如何影响大模型代理：经验跟随行为的实证研究》已发表于arXiv，熊梓迪为第一作者。团队表示，未来将探索在缺乏高质量反馈的环境下优化记忆模块的方法，以提升实际应用中的长期表现。