ReHarness

MIT 与 Meta 联合论文提出 ReHarness 机制，让智能体在每次任务结束后，用任务结果反向修订此前被检索复用的旧笔记，而非只追加新笔记，从而避免过时或过宽的教训持续误导智能体。在 3 个基准与 3 个前沿模型上，该方法平均取得 0.240 的归一化增益，优于最佳原始轨迹基线的 0.168；在 CL-Bench 上配合 Claude 时，其 token 消耗仅为回放完整原始历史的约三分之一。