论文arxiv cs.AI · 2mo ago重要
PREPING: Building Agent Memory without Tasks
分类释义：学术论文 / 技术报告
TL;DR
Preping 提出在 agent 部署前仅通过自我生成的合成任务构建程序记忆，无需真实环境交互。通过 proposer-validator-solver 三方框架控制合成任务的质量和记忆的选择性更新，在 AppWorld 和 BFCL v3 上以低于在线构建方式 2-3 倍的成本达到接近 playbook 方法的性能。
关键要点
- 01Preping 提出在 agent 部署前仅通过自我生成的合成任务构建程序记忆。
- 02无需真实环境交互。
- 03通过 proposer-validator-solver 三方框架控制合成任务的质量和记忆的选择性更新。
- 04在 AppWorld 和 BFCL v3 上以低于在线构建方式 2-3 倍的成本达到接近 playbook 方法的性能。
为什么值得关注
解决了 agent 冷启动问题：在没有任何目标环境经验时也能快速上手，降低了对大量人工标注或线上试错数据的依赖。
对你的工程实践意味着什么
LLM 实时生成MiniMax-M2.7缓存命中
| 角色 | 你应该做什么 |
|---|---|
| Tech Lead | 评估将 Preping 框架集成到现有 agent 开发流程的可行性，对比冷启动场景下的成本收益 |
| 应用工程师 | 在开发新 agent 时优先考虑用合成任务替代部分线上试错，减少对真实环境交互的依赖 |
| 运维 / 平台 | 暂无直接影响，了解 proposer-validator-solver 三方框架的组件划分以便后续系统对接 |
| 产品 / 业务 | 暂无直接影响，关注 agent 冷启动成本降低后能否加速新功能的上线周期 |
同类资讯
本页 TL;DR 与「为什么」由 LLM 生成 · 模型：MiniMax-M2.7 / Claude Haiku 4.5