ExperienceIndex：基于工件的记忆

arXiv:2610.10091v1 公告类型：cross 摘要：知识密集型任务要求通过推理共享的工件语料库（例如，法院案件或科学文献）来回答大量问题。当人类与这些语料库交互时，会自然积累关于工件的经验知识，从而能够快速识别出与每项新任务相关的完整工件集合。然而，现有 AI 智能体缺乏用于构建或复用此类基于工件的经验的适当记忆方案，导致答案质量下降、在线成本上升。现有记忆方案会从以往任务的解决轨迹中提取并复用信息，但主要关注用户偏好、事实属性或抽象推理模式，而不是持久的、特定于工件的知识。我们提出 ExperienceIndex，一种面向 AI 智能体的新型经验层，基于以往的推理轨迹捕获并复用关于工件的知识。ExperienceIndex 存储两种互补形式的经验：（i）单工件经验，总结某个工件对以往任务的贡献；（ii）工件对经验，对过去推理过程中发现的结构关系进行编码。作为轻量级中间件集成后，ExperienceIndex 通过经验检索机制引导智能体为新任务找到完整的相关工件集合，从而同时提升答案质量和效率。在涵盖多种语料库以及采用不同搜索框架的智能体方案中，ExperienceIndex 均取得了稳定增益，使答案质量最高提升 11.0 个百分点，并将在线美元成本最高降低 50.5%。我们进一步展示了两项优势：（i）跨任务泛化，即从 text-to-SQL 任务中积累的经验可以迁移到同一工件语料库上的事实型 QA 任务；（ii）师生学习，即更强模型产生的经验能够帮助较弱模型达到可比性能。