arXiv 论文：LLM 智能体扩展发现需定期遗忘
论文AI 评分 72/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇 arXiv 论文指出，用 LLM 智能体做自动化研究时，让单个智能体迭代更久、并行跑多个智能体、或让并行智能体互相通信借鉴，这三种扩展方式最终都会因历史累积而停滞：每个智能体被自身过往尝试锚定，改动越来越少、越来越小，再增加预算也收效甚微。作者提出，继续扩展发现的关键是遗忘——周期性丢弃搜索状态，包括各智能体会话与候选历史，从当前最优候选重新开始。该方法在带通信的智能体团队中实现，并在启发式编程、内核优化和模型训练四类任务上评估，相比并行智能体最多提升 15%，相比单个智能体最多提升 39%。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载三种扩展方式都会撞墙
论文关注的是用 LLM 智能体做自动化研究。作者考察了扩展这类研究的几条路径：让一个智能体迭代更长时间、并行运行多个智能体、以及让并行智能体之间通信并基于彼此的候选方案继续推进。实验发现，这三种策略最终都会进入平台期，原因是智能体不断累积历史。每个智能体被自己过去的尝试锚定，后续做出的修改在数量和幅度上都变小。越过这个点之后，继续追加预算带来的改进非常有限。这一观察构成了论文的问题起点：瓶颈不在算力总量，而在智能体携带的历史。
遗忘作为扩展手段
作者给出的解法是遗忘。具体做法是周期性地丢弃搜索状态，其中包括每个智能体的会话以及候选历史，然后从目前找到的最优候选重新开始。这样做的效果是解开被历史锁住的搜索，让同样的预算能推进得更远。作者把遗忘机制实现在一个带通信的智能体团队中，也就是说，遗忘并不是退回到单打独斗，而是在保留智能体互相借鉴能力的前提下，定期清空各自的历史包袱。
四类任务上的量化收益
评估覆盖四类任务，横跨启发式编程、内核优化和模型训练。结果显示，采用遗忘机制后，相比并行智能体最多提升 15%，相比单个智能体最多提升 39%。作者由此提出一个判断：对于开放式发现，智能体被允许记住什么，和它被给予多少算力同样重要。这一结论把记忆策略从实现细节提升为与计算预算并列的扩展维度。
为什么值得看
揭示智能体做开放式发现时，记忆管理可能和算力投入同样关键，并给出可复用的遗忘策略与量化收益。
智能体论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。