语言智能体程序性记忆框架提出

2026年10月20日，arXiv 人工智能板块刊出 Jonathan Leung、Zhiqi Shen、Deheng Ye 的论文，讨论语言智能体的程序性记忆。研究指出，大语言模型在需要程序性推理的长时程任务上仍不可靠，关键原因之一是缺少显式的程序性记忆，即关于任务如何完成的可访问、可修改知识，它区别于语义记忆和情景记忆。作者提出以 Goal-Oriented Graphs 作为这种记忆的表示形式，把目标与前置依赖编码为可检查的符号结构，并考察这类结构的构建方式、带来的挑战，以及与神经推理结合的原则。目前进展停留在论文层面的框架阐述，报道未提及实验评测、基准结果或实际部署。

AI 根据报道生成 · 40 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。