LLM Agent 提出 Anti-Persistence 机制防止错误传播

该论文提出 LLM Agents 在通过外部记忆复用经验时，若存储推断出的规则、摘要或技能等抽象内容，会导致错误在“抽象 - 执行 - 再抽象”的循环中再生并持久化，这种现象被称为错误再生（error reproduction）。作者对比了仅保留轨迹与结果的方案，发现后者能避免错误直接复用为存储对象。 研究提出的 Anti-Persistence 设计方案采用自适应选择器，根据过往结果按需重构任务特定指导，并在执行后立即丢弃该指导，仅保留原始轨迹作为间接反馈来源。实验显示，在不同基准测试和骨干模型下，Anti-Persistence 实现了最高的整体保留集成功率，同时拥有最低的 LLM 调用平均成本。这一结果验证了在基于记忆的自改进机制中，将经验积累与抽象持久化分离的有效性。 事实层面，论文证明了存储抽象策略会引入错误传播风险；推断层面，这意味着当前主流 Agent 框架若过度依赖预存技能库可能面临长期性能退化；猜测层面，未来架构可能需要动态生成而非静态缓存策略，但具体工程实现细节仍需观察后续开源代码。