MIT 与 Meta 论文 ReHarness：用后续任务结果修订智能体记忆笔记
MIT 与 Meta 等机构的论文提出 ReHarness，在每个任务结束后由修订智能体依据笔记原始任务的事实收窄或修正被检索出的旧笔记，解决过时经验持续误导智能体的问题。在 3 个基准和 3 个前沿模型上平均归一化增益 0.240，最佳原始轨迹基线为 0.168；在 CL-Bench 与 Claude 上重放完整原始历史要多消耗 3.4 倍 token。
Rohan Paul· @rohanpaul_ai · X·2026-11-13 08:39· 53 分钟前AI 评分50
AI 导读
MIT 与 Meta 等机构的论文提出 ReHarness，在每个任务结束后由修订智能体根据该笔记原始任务的事实收窄或修正被检索出的旧笔记，解决笔记一旦写成就很少更新、过时经验持续误导智能体的问题。在 3 个基准和 3 个前沿模型上平均归一化增益 0.240，最佳原始轨迹基线为 0.168；在 CL-Bench 与 Claude 上重放完整原始历史要多消耗 3.4 倍 token。
正文 · 原文
MIT 与 Meta 的新论文发现，当旧笔记在下次被使用时根据实际发生的情况得到修正，智能体的记忆效果会更好。
在工作中学习的智能体会保存过往任务的笔记并重复使用。这些笔记一旦写成便很少改动，因此一条过于宽泛或过时的经验会持续误导智能体。
每个任务结束后，ReHarness 会把检索到的笔记和任务结果发送给修订智能体。它仅依据该笔记原始任务中的事实，对每条笔记进行收窄或修正。
在 3 个基准和 3 个前沿模型上，它的平均归一化增益为 0.240，即相对于无记忆智能体可提升空间中所占的比例。最佳原始轨迹基线得分为 0.168，而在 CL-Bench 上配合 Claude 重放完整原始历史所消耗的 token 是前者的 3.4 倍。
如果你的智能体从经验中学习，就让每次结果去修改塑造了它的那些笔记，而不只是新增笔记。
来源：Rohan Paul · x.com
来源：RadarAI · aihot.news