一句话总结

KAIST 和 DeepAuto.ai 的研究者提出 WikiTrace，一种证据链接记忆系统，将每条经验存储为一条简明洞察，并链接到成功/失败摘要和原始轨迹；它使 LLM agents 在行动前能够检查、补充或修正经验，并在五个 agentic benchmarks 上持续优于现有记忆方法，同时减少记忆引起的退化。

核心贡献

• WikiTrace 是一种证据链接记忆系统，将每条经验存储为一条洞察，并链接到其轨迹结果的摘要和原始轨迹，使 agents 能够对照原始执行核查这些经验。
• 它贡献了一种程序性记忆的重新评估机制：在新任务中，agent 从所有洞察出发，当某条洞察缺少所需细节、与另一条冲突或来自失败轨迹时，会借助终端工具沿链接向下回溯，在行动前恢复缺失细节或修订该洞察。
• 在横跨八个套件的五个 agentic benchmarks 上的评估显示，WikiTrace 在每个套件上都取得最佳性能，平均比无记忆 agent 提高 10.7 个百分点，比相同洞察基线提高 3.2 个百分点，并将记忆引起的退化从 6.5% 降低到 4.5%；在更难任务上，由于链接证据被更频繁地查阅并改变计划，收益更大。

引言

大型语言模型 agents 越来越多地使用外部记忆，将过去的任务轨迹转化为可复用的经验，从而在不更新模型参数的情况下提升多步工具使用和文本世界表现。然而，记忆并不总是有帮助：由于一条轨迹只有一个成功或失败标签，系统必须猜测哪些动作是关键，而现有方法通常只提供经验，却不提供验证这些经验所需的源轨迹。这可能导致记忆引起的退化，即 agent 会失败那些在没有记忆时本可解决的任务。作者提出 WikiTrace，它使每条经验链接到一份汇编和原始轨迹，从而让 agent 在行动前能够恢复缺失细节或修正误导性指导。在五个 benchmarks 和八个套件上，WikiTrace 优于无记忆基线和仅洞察基线，同时将退化从 6.5% 降低到 4.5%。

数据集

作者将 WikiTrace 构建为一个源链接记忆数据集，包含四个组成部分：

• 原始轨迹：每次运行的记录保持原样，包括任务元数据、每轮的推理、动作和观察，以及该次运行是否成功。
• 汇编：编译器处理每个任务、agent 的轨迹和成功/失败信号。它对成功和失败的运行使用不同模板。成功的运行总结与成功相关的决策；失败的运行记录对失败的合理解释。这些被视为对运行的解读，而不是经过验证的解释。
• 洞察：每次运行最多提取三条洞察。每条洞察是一个独立文档，说明应该做什么、何时适用、来自哪次运行，以及该次运行是否成功。洞察按运行独立生成，从不更新或删除，因此洞察池可能包含冗余或冲突的洞察。
• 源链接和索引：每条洞察链接到其源汇编和原始轨迹。这使测试时 agent 能够追溯某条洞察的来源，以及源运行如何被解读。每一层还带有一个用于导航的索引。

处理细节：

• 每次运行都被独立处理，因此每条提取出的经验都保持与其来源经历相连。
• 原始轨迹保持原样。
• 编译器为每次运行生成一份汇编和最多三条洞察。
• 摘录未说明语料规模、任务来源、训练划分或混合比例。

方法

作者提出 WikiTrace，一个旨在通过保留从每条提取出的洞察回到其源轨迹的可验证路径，来缓解 LLM agents 中记忆引起的退化的框架。该系统分为两个主要阶段：记忆构建和测试时证据访问。

在记忆构建阶段，作者处理固定的历史运行语料 $\mathcal{D}_{\mathrm{train}} = \{(x_i, r_i, s_i)\}_{i=1}^N$Dtrain​={(xi​,ri​,si​)}i=1N​，其中每次运行包含任务 $x_i$xi​、轨迹 $r_i$ri​ 和二值成功结果 $s_i$si​。编译器独立处理每次运行，生成一份汇编 $c_i$ci​ 和一组洞察 $I_i$Ii​，形式化为 $(c_i, I_i) = \mathrm{Compiler}(x_i, r_i, s_i)$(ci​,Ii​)=Compiler(xi​,ri​,si​)。汇编总结关键决策和支持性观察，并对成功和失败的运行使用不同模板。编译器还会从每次运行中提取最多三条洞察，每条洞察详细说明建议动作、其适用条件和其源运行。为了确保可追溯性，原始轨迹保持原样，每条洞察都显式链接到其源汇编和原始轨迹。这样就构建了一个多层次、源链接的记忆结构 $\mathcal{M} = (R, C, I, E)$M=(R,C,I,E)。

在测试时阶段，agent 利用这一结构化记忆来解决新任务。最初，agent 会收到所有提取出的洞察，以及三个与当前任务最相似的历史运行。与盲目遵循洞察不同，当某条洞察缺少足够细节、来自失败运行、与另一条洞察冲突，或后续动作失败时，agent 会被提示向下追溯到源运行。源链接记忆以只读文件形式挂载，使 agent 能够在执行动作前使用工具搜索具体证据，例如命令格式或上下文观察。这种向下追溯机制使 agent 能够实时验证某条洞察的有效性和适用性，有效恢复被省略的观察，并防止执行错误或超出范围的教训。

实验

WikiTrace 在八个套件上接受了评估，这些套件涵盖模拟文本世界和工具使用环境，并与 No Memory 以及 AWM、ExpeL、ReasoningBank 等现有记忆方法、外加一个 Insights Only 变体进行比较。它持续取得最佳性能，增益和退化分析显示，它在改善此前失败任务的同时，减少了在先前可解决任务上的失败，这一优势被归因于对源运行的访问。进一步实验表明，向下追溯到源证据在更难任务中和在被阻塞的尝试后帮助最大，使 agent 能够修订或补充洞察；失败轨迹虽然有用，但与源证据一起保留时更安全。该方法在更大的基线预算和不同模型下仍然有效，并且可以通过重新查看原始轨迹来解决冲突的洞察。

WikiTrace 在全部八个套件上都取得了最高性能，平均为 90.2，而无记忆基线为 79.5。它平均比仅洞察条件高出 3.2 个百分点，表明链接源证据在仅使用洞察之外带来了额外收益。WikiTrace 也是唯一在每个套件上都达到或超过无记忆基线的记忆方法。WikiTrace 在所有被评估的方法中，在每个套件以及总体平均分上都处于领先。现有记忆方法并非在所有套件上都持续达到无记忆基线，而 WikiTrace 在所有套件上都达到或超过该基线。将洞察链接到源证据相较仅使用洞察平均带来 3.2 个百分点的提升，并有助于减少记忆引起的退化。

当 WikiTrace 的证据改变 agent 的计划，而不是让计划保持不变时，它相较 Insights Only 的得分提升更大。最大的相对收益来自引入新事实或修订洞察，而确认计划或不使用证据带来的收益最小。这表明 WikiTrace 的价值与能够积极重塑 agent 决策的证据相关。与 Insights Only 相比，改变计划的证据带来的得分提升大于未改变计划的证据。在证据效果中，引入新事实带来的提升最大，其次是修订和细化洞察。确认现有计划或不使用证据产生的相对收益最小。

在使用 GLM-5.3-flash 时，WikiTrace 在所有被评估套件上都取得最高性能，平均为 92.7，超过仅洞察记忆 1.8 个百分点，超过无记忆 21.5 个百分点。AWM、ReasoningBank 和 ExpeL 各自在至少一个套件上低于无记忆。这一模式与 DeepSeek 结果一致，支持源链接记忆跨模型的好处。WikiTrace 在 PlanCraft、ScienceWorld、已见任务和未见任务上均领先所有方法。AWM、ReasoningBank 和 ExpeL 各自在至少一个被评估套件上表现不如 No Memory。

实验在八个套件和两种语言模型上，将 WikiTrace 与无记忆基线、仅洞察基线以及现有记忆方法进行了比较。WikiTrace 持续取得最高的总体性能，并且是唯一在每个套件上都达到或超过无记忆基线的记忆方法，同时将洞察链接到源证据带来了持续收益。当证据引入新事实或修订洞察并改变 agent 的计划时，这些收益最大，表明源链接记忆的价值来自积极重塑决策。使用 GLM-5.3-flash 的复现实验显示相同模式，WikiTrace 优于所有方法，而现有记忆方法有时低于无记忆，支持跨模型的好处。