【第608期】记忆迁移学习：编程代理的跨域经验共享

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

如果你想要解读自己的论文，获得更多曝光度。请联系小助手微信：seventy3_podcast 加群。
合作邮箱：zhiwudazhanjiangshi#gmail.com

今天的主题是：

Memory Transfer Learning: How Memories are Transferred Across Domains in Coding Agents

Summary

基于记忆的自我进化（memory-based self-evolution）已成为代码智能体（coding agents）中的一种有前景的范式。然而，现有方法通常将记忆的使用限制在同质化任务领域中，未能充分利用现实世界中不同编程问题之间共享的基础设施基础，例如运行时环境和编程语言。

为了解决这一局限，我们研究了“记忆迁移学习（Memory Transfer Learning, MTL）”，通过利用来自异构领域的统一记忆池来实现跨领域知识迁移。

我们在 6 个代码基准测试上进行了评估，并比较了四种不同的记忆表示形式，其范围从具体执行轨迹（concrete traces）到抽象洞见（abstract insights）。

实验结果表明：

• 跨领域记忆可使平均性能提升 3.7%；

• 性能提升主要来源于元知识（meta-knowledge）的迁移，例如验证流程（validation routines），而非任务特定代码的直接复用。

更重要的是，我们发现：抽象程度决定了迁移能力。

• 高层次洞见具有良好的泛化性；

• 而低层次执行轨迹由于过于具体，往往会导致负迁移（negative transfer）。

此外，我们还发现：

• 迁移效果会随着记忆池规模的扩大而提升；

• 记忆甚至可以在不同模型之间进行迁移。

我们的工作为如何突破单一领域孤岛、扩展记忆利用方式，建立了经验性的设计原则。

原文链接：https://arxiv.org/abs/2604.14004