arXiv · cs.AI· Ruhan Wang, Kishan Panaganti, Dongruo Zhou·· 7 小时前
LLM 智能体记忆中的错误复现与 Anti-Persistence 设计
More Memory, Worse Agents: Error Reproduction and Anti-Persistence in LLM Agents
arXiv:2610.27406v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Ruhan Wang, Kishan Panaganti, Dongruo Zhou
研究任务与主要进展
作者提出 Anti-Persistence 记忆设计，通过按需重建任务指导并在执行后丢弃，减少抽象记忆被直接复用后持续传播错误。基于论文摘要，该方法在不同基准和模型骨干上取得最高整体留出成功率与最低平均 LLM 调用成本，但具体实验细节和结论适用范围未说明。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org