PREPING: Building Agent Memory without Tasks¶

论文基本信息¶

作者: Yumin Choi, Sangwoo Park, Minki Kang, Jinheon Baek, Sung Ju Hwang (Korea University)
发表: 2026-05-11
类别: cs.AI / cs.CL
原文: https://arxiv.org/abs/2605.13880

摘要（机翻）¶

Agent 记忆通常从离线精选的示范或在线的部署后交互中构建。然而，无论以何种方式构建，当智能体首次进入没有任何任务特定经验的新环境时，都会面临冷启动差距。本文研究了任务前记忆构建：智能体是否能在观察任何目标环境任务之前，仅使用自生成的合成实践来构建程序性记忆。然而，纯粹的合成交互是不够的，因为如果不控制要练习什么和存储什么，合成任务会变得冗余、不可行，最终无信息量，而且记忆会因未过滤的轨迹而快速退化。为克服这一问题，本文提出了 Preping，一个提议者引导的记忆构建框架。其核心是提议者记忆（proposer memory），一种塑造未来实践的结构化控制状态。提议者（Proposer）在此状态下生成合成任务，执行者（Solver）执行它们，验证者（Validator）决定哪些轨迹有资格被插入记忆，同时还提供反馈来指导未来的提议。在 AppWorld、BFCL v3 和 MCP-Universe 上的实验表明，Preping 大幅优于无记忆基线，并实现了与基于离线或在线经验构建的强大 playbook 方法相当的性能，同时在 AppWorld 上的部署成本比在线记忆构建低 2.99 倍，在 BFCL v3 上低 2.23 倍。进一步分析表明，主要收益并非仅来自合成数据量，而是来自提议者侧对可行性、去冗余性和覆盖范围的控制，结合选择性记忆更新。

核心贡献¶

任务前记忆构建问题: 首次系统研究智能体如何在无任何目标环境任务的情况下，通过自生成的合成实践构建程序性记忆
提议者记忆（Proposer Memory）: 提出结构化控制状态机制，引导合成任务生成，避免冗余、不可行和无信息量的轨迹
Proposer-Solver-Validator 三者框架: Proposer 生成任务、Solver 执行、Validator 筛选，三者协同实现选择性记忆更新
低成本部署: AppWorld 降低 2.99×，BFCL v3 降低 2.23×，显著优于在线记忆构建方案

为什么重要¶

传统 agent memory 构建依赖两种路径：离线从精选示范学习，或在线从部署后交互积累。两者都存在根本性缺陷——离线需要人工标注成本高，在线则面临冷启动问题。PREPING 开辟了第三条路：在没有任何任务经验的情况下，通过自生成合成实践构建记忆。这对真实部署场景意义重大，新环境无需等待真实交互即可具备基本记忆能力。

与移动端/端侧的相关性¶

端侧智能体（如移动端 AI 助手、可穿戴设备）面临的最大挑战之一就是冷启动——设备初始化时没有任何用户相关经验。PREPING 的框架可以在设备出厂时就预装基础程序性记忆，无需等待用户交互。提议者记忆的轻量化和端侧部署值得探索。

局限性¶

合成任务的质量依赖于 Validator 的反馈质量
在高度专业化领域（如医疗、法律），自生成合成实践可能与真实场景存在分布偏移
未在真实用户交互数据上验证泛化性

参考文献¶

（参考文献待从原文补充）