Meta 提出 Routed CL 架构，智能体按任务类型隔离记忆提升表现
原标题：New Meta paper finds that AI agents improve more from their past attempts when each new problem is m...
78AI 研判分
Meta 最新论文提出 Routed CL 架构，通过 LLM 路由器将智能体的历史经验按问题类型聚类存储，而非共享单一记录。实验显示，该机制在混合任务中比传统共享记忆提升 15%-30% 的得分上限，并降低约 65%-72% 的 API 成本。
报道正文
Rohan Paul (@rohanpaul_ai) · 2026-11-02 18
Meta 最新论文发现，当每个新问题都与相似问题的笔记相匹配时，AI Agent 能从过往尝试中获得更大的提升，而非依赖一份记录所有操作内容的共享档案。
让 Agent 从过往运行中学习的简单方式是使用单一共享历史。但在混合任务场景下，这种方式成本高昂，且容易混淆不相关的经验。
Routed CL（路由式持续学习）引入了一种 LLM 路由器，在每次运行前决定是复用现有的记忆集群还是启动一个新的集群。每个集群采用五种记忆类型中的一种，例如原始过往运行记录或提炼后的经验教训。
在涵盖 398 个混合问题和 4 种模型的测试中，共享历史仅比无记忆模式略胜一筹，平均增益仅为 0.015（满分 1）。而 Routed CL 的表现比共享历史高出最大可能得分的 15% 到 30%，并将预估 API 成本降低了 65% 到 72%。
如果你的 Agent 需要处理多种类型的混合任务，建议按问题类型将记忆划分为独立的池，而不是共用单一的历史记录。
