论文精读·第7期：Agent可靠性与长期记忆的工程化突破

这周arXiv上又堆了一大摞论文,我扒拉下来发现一个特别明显的信号.

你的感觉肯定没错.我也翻了一圈,今年下半年的风向特别清楚.

那你先说,你觉得主线是什么?

一句话:大家不卷模型参数了,改卷Agent怎么才能靠谱.靠谱,这俩字是核心.

靠谱这个词有意思.我做产品最头疼的就是Agent跑着跑着就飘了.

对,这就引出第一篇,DeReAct.专门治这个病的.

DeReAct?听着像ReAct的升级版.它解决什么问题?

你想想传统ReAct,一个模型既提方案,又执行,还自己判断任务完没完.

等一下,这不就是又当运动员又当裁判吗?

一针见血!问题就在这.它自己说干完了,其实没干完,执行就终止了.

DeReAct的做法是,把两个关卡拆出来独立管.一个叫Critic,一个叫Context Manager.

具体怎么分工?

Critic在动作执行前先审一遍,这步能不能干.Context Manager负责重建真实状态,确认任务真完成了没.

等于加了两道质检工序.提升有多少?

这里有个特别反直觉的点.它对弱模型提升巨大,对强模型几乎没用.

啊?为什么强模型没用?

你再想想,Qwen3-Coder那种,Pass@1直接涨六到七个点.Claude Sonnet涨四到五点.

但换成Claude Opus 4.5,基本和原版持平.因为强模型本来就不怎么犯这种错.

所以这个外挂裁判,是给能力一般的模型兜底用的.

完全正确.对工业界的启发是,你没必要都上最贵的模型.

用便宜模型加一套外部校验,成本和效果能平衡.这个思路我喜欢.

好,接下来说说第二篇,我看到一个关于长期记忆的,叫APDMem?

这篇我更兴奋.它治的是Agent另一个老毛病,对话一长就失忆.

这个我太有体会了.助手跟你聊二十轮,前面说的全忘.它怎么解决?

核心词叫渐进式披露.它把对话历史切成四层,从粗到细.

最上面是主题摘要,然后是关键事实,再是每轮的证据笔记,最底层才是原始消息.

那它怎么决定看哪一层?

有个控制器.简单问题看摘要就够了,直接结束.复杂的多跳问题才往深里挖.

这不就跟人回忆一样吗?先想个大概,想不起来再翻细节.

就是这个意思!最惊人的数据是,它只访问了全部对话的百分之八.

百分之八?那剩下百分之九十二的token成本全省了.

对.而且在LongMemEval上效果还很强.这就是成本和精度的自适应权衡.

我突然发现,DeReAct和APDMem其实是一回事.

你说说看?

都是在用结构化的外部机制,去补模型本身不靠谱的地方.

漂亮.这就是今年的主旋律,工程化地给Agent上保险.

好,最后聊个画风不一样的,那篇世界编辑的,听着挺科幻.

World Editing,这篇好玩.它研究怎么编辑一个已经能跑的游戏世界.

就是改游戏?用的Minecraft和Terraria?

对,工业级的游戏mod.它提了个概念叫干预深度,改动跟世界耦合得越深越难.

最强的Agent能做到多少?

严格标准下解决百分之七十八的任务.但有个致命短板,视觉一致性全都不到一半.

就是改是改了,但看起来怪怪的.

对.大部分失败的编辑都能编译加载,就是行为不符合要求.

这说明代码Agent的瓶颈,已经从能不能跑,变成了跑得对不对.

总结得太到位了.这三篇串起来,就是一条清晰的趋势线.

那你给今天收个尾,这周论文透露的信号到底是什么?

所以结论是,大家不再追求模型全能,而是用外部结构兜底可靠性.

校验,记忆分层,行为验证,都是在给Agent做工程化加固.

对.下一个爆发点,一定在Agent可靠性基础设施这块,咱们接着盯.