# 策展 · X (Twitter) 🔥

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 作者：Ksenia_TuringPost (@TheTuringPost) · 平台：X (Twitter) · 日期：2026-04-18

> 原始來源：https://x.com/theturingpost/status/2045453668217172297

## 中文摘要

KAIST與紐約大學提出跨領域共享記憶機制，提升編碼Agent效能3.7%。

KAIST與紐約大學團隊發表論文「Memory Transfer Learning: How Memories are Transferred Across Domains in Coding Agents」（arXiv:2604.14004），提出「Memory Transfer Learning (MTL)」概念，透過異質領域統一記憶池，讓編碼Agent重用跨領域經驗，平均提升Pass@3效能3.7%。此方法強調meta-knowledge轉移，如驗證程序與除錯結構，而非特定程式碼，程式碼開源於https://github.com/KangsanKim07/MemoryTransferLearning。

**研究背景與動機**

現有基於記憶的自進化編碼Agent僅限單一領域記憶使用，忽略真實世界編碼問題共享的基礎設施，如運行環境與程式語言。MTL解決此限制，建構異質領域統一記憶池，讓Agent跨領域重用記憶，避免單領域孤島。論文於2026年4月15日發表，作者包括Kangsan Kim、Minki Kang等，來自KAIST、紐約大學與DeepAuto.ai。

**核心概念圖解**

MTL分四階段演進：
- 無記憶Agent無法反思過去經驗。
- 自進化Agent僅限單一領域記憶。
- MTL整合異質編碼任務統一記憶池。
- 實驗顯示MTL（斜線柱狀）在四種記憶格式皆優於單領域自進化Agent。

**記憶表示類型**

團隊設計四種記憶表示，從具體低階追蹤到抽象高階洞見：
- **Trajectory**：串接所有Agent指令與執行結果，包含完整任務解決細節與失敗步驟。
- **Workflow**：提取可重用目標導向工作流程，包括目標陳述與有意義動作子集。
- **Summary**：提示LLM總結任務、環境、動作及成功/失敗分析。
- **Insight**：撰寫任務無關的通用原則，促進跨領域轉移。

**記憶擷取與推論流程**

記憶生成與檢索管線精準設計：
1. 在所有基準上運行Agent，使用LLM評審判斷成功/失敗，從軌跡生成四種記憶。
2. 建構記憶池：合併除目標基準外所有記憶，使用「text-embedding-3-small」索引加速擷取。
3. 檢索與推論：對每個查詢擷取前3最相似記憶，附加至編碼Agent系統提示前進行推論。

**主要實驗結果**

在6個編碼基準上評估Pass@3，使用GPT-5-mini基線，MTL平均提升3.7%，Insight類型最佳達0.560：

| 方法 | LiveCodeBenchv6 | Aider-Polyglot | SWEBench-Verified | TerminalBench2 | ReplicationBench | MLGym-Bench | 平均 |
|------|-----------------|---------------|-------------------|----------------|------------------|-------------|------|
| Zero-Shot | 0.910 | 0.470 | 0.730 | 0.315 | 0.111 | 0.667 | 0.523 |
| MTL (T) | 0.940 | 0.490 | 0.770 | 0.270 | 0.122 | 0.583 | 0.534 |
| MTL (W) | 0.920 | 0.470 | 0.770 | 0.348 | 0.111 | 0.583 | 0.538 |
| MTL (S) | 0.930 | 0.460 | 0.760 | 0.371 | 0.133 | 0.667 | 0.546 |
| **MTL (I)** | **0.930** | **0.470** | **0.770** | **0.360** | **0.189** | **0.750** | **0.560** |
| Δ | +2.0% | 0.0% | +4.0% | +4.5% | +7.8% | +8.3% | **+3.7%** |

**對比自進化基線**

MTL僅用431個記憶，即優於ReasoningBank（+2.9%）與AgentKB（+1.7%），後者需5,899個記憶，展現高效性：

| 方法 | 記憶數 | LiveCodeBenchv6 | SWEBench-Verified | ReplicationBench | 平均 |
|------|--------|-----------------|-------------------|------------------|------|
| Zero-Shot | — | 0.910 | 0.730 | 0.111 | 0.584 |
| ReasoningBank | 97 | 0.920 | 0.750 | 0.133 | 0.601 |
| AgentKB | 5,899 | 0.920 | 0.720 | 0.200 | 0.613 |
| **MTL** | **431** | **0.930** | **0.770** | **0.189** | **0.630** |

**關鍵發現一覽**

論文歸納7項實證發現，強調抽象度與轉移效能的因果關係：
- MTL顯著提升編碼Agent效能，在效能與效率上優於自進化方法。
- 可轉移知識主要為meta-memory，編碼程序與行為指導，而非領域特定程式碼。
- 更抽象、一般化記憶表示帶來更高轉移效能，避免脆弱實作錨定。
- 負轉移源於領域不符誤導錨定、錯誤驗證訊號及誤用程序重複。
- MTL效能隨記憶池規模與來源領域數擴增而提升。
- 記憶可跨模型轉移，自生成記憶最佳，但跨模型轉移仍勝零樣本。
- 異質Agent環境下靜態檢索難以泛化，凸顯跨領域記憶擷取挑戰。

**轉移知識本質**

效能提升源自meta-knowledge，如驗證解決方案、結構化除錯、執行檢查及偵測失敗模式。過度特定記憶損害效能，故除錯記憶、程式碼生成記憶、測試記憶皆匯入同一池體。記憶池越大，轉移越佳，MTL讓編碼Agent重用通用推理與檢查，而非僅精確解決軌跡。

**抽象度決定轉移性**

高階洞見跨領域泛化佳，低階追蹤因過度具體常引負轉移。論文強調正確抽象層級至關重要，避免任務特定細節干擾。

**擴展性與跨模型應用**

轉移效能隨記憶池規模正比成長，多來源領域強化效果。即使不同模型間，MTL仍有效，自生成記憶最優，但外來記憶勝無記憶基線。

**研究問題解答**

- **RQ1**：異質領域記憶確實提升效能，平均+3.7%。
- **RQ2**：益處來自meta-knowledge轉移，如驗證常式。
- **RQ3**：抽象度、記憶池規模、來源多樣性最影響轉移。

**技術依賴與未來展望**

建基於「Harbor」harness與「Mini-SWE-Agent」，感謝開源貢獻。程式碼標記「Coming Soon」，專案頁面https://memorytransfer.github.io/。此工作為編碼Agent記憶設計奠定跨領域實證原則，預示共享經驗庫將成通用資源，支持多Agent與模型共用。

## 標籤

Agent, 研究論文, 開源專案, 記憶系統, KAIST, NYU