arXiv cs.AI· Wenjun Wang, Yuchen Fang, Fengrui Liu, Zibo Liang, Kai Zheng·· 13 小时前AI 评分32
Experience Memory Graph（EMG）：从智能体轨迹中提取可复用纠错知识
Experience Memory Graph: Extracting Reusable Correction Knowledge from Agent Trajectories
AI 导读
研究者提出 Experience Memory Graph（EMG），将智能体失败恢复重构为图匹配问题：离线把失败探索轨迹与成功专家轨迹转为有向动作决策图，通过匹配提取公共子图和图编辑路径，存入含任务内节点与跨任务边的记忆图。
正文 · AI 翻译
摘要：大型语言模型（LLM）智能体通过生成由状态、动作和观察组成的序列轨迹，在自主决策方面展现出显著能力。然而，在复杂的长时程任务中，这些智能体常常遭受误差累积的困扰，且难以从失败中恢复。尽管经验记忆方面已有进展，但从历史轨迹中提取可靠且可迁移的纠错知识仍然具有挑战性。现有方法，无论是基于测试时反思还是离线记忆构建，在很大程度上依赖 LLM 来诊断失败并制定纠正策略，这可能产生脆弱或任务特定的、难以泛化的见解。为应对这一挑战，我们提出经验记忆图（EMG），一个将智能体失败恢复重新表述为图匹配问题的框架。在训练集上的离线构建过程中，我们将失败的探索轨迹和成功的专家轨迹都转换为有向动作决策图。通过匹配这些图，我们提取出明确指示如何纠正失败的公共子图和图编辑路径，并将其存储在具有任务内节点和跨任务边的记忆图中。在测试时，EMG 检索相关见解并在单次测试时尝试中引导智能体，无需额外的反思与重放轮次。在 ALFWorld 和 ScienceWorld 上的实验表明，在已见和未见划分上，该方法相较于所评估的记忆构建方法和竞争性基线均取得了一致提升。
| 评论： | 13 页，6 幅图 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2607.13884 [cs.AI] |
| （或 arXiv:2607.13884v3 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2607.13884 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yuchen Fang [查看邮箱]
[v1]
2026 年 7 月 15 日星期三 14:33:15 UTC（2,428 KB）
[v2]
2026 年 8 月 10 日星期一 09:35:30 UTC（2,188 KB）
[v3]
2026 年 10 月 27 日星期二 07:04:59 UTC（1,560 KB）
来源：arXiv cs.AI · arxiv.org