RefCon：面向上下文演化智能体的迭代式细化与对比式记忆提取

长时程智能体交互会产生有用但嘈杂的经验，而重新训练模型以吸收这些经验的成本很高。因此，上下文演化智能体需要一种记忆提取方法，能够在不依赖金标准标签的情况下，随着更多测试时计算量的投入而不断改进。我们提出了 RefCon，将序列式自我细化与并行式自我对比相结合，在无需金标准标签的情况下提取质量更高的记忆。在 AppWorld 和 BFCL-V3 上，针对多种上下文演化智能体框架的评测表明，RefCon 带来了显著且稳定的提升：相较于不进行扩展的基线，在 ACE 和 ReMe 上的相对提升分别达到 21.6% 和 16.6%；而专注于多样性的变体 DivCon 在 ReasoningBank 上实现了 35.5% 的提升。RefCon 在没有真实标签的情况下始终优于现有基线，并且能够适应不同的模型规模以及软件工程任务；在后者中，它甚至超过了使用真实标签的基线。我们进一步分析了准确率与 token 数之间的权衡及扩展行为，结果表明，RefCon 保持了较高的效率，并且随着所使用轨迹数量的增加而持续改进；相比之下，仅基于多样性的扩展会更早达到饱和。