香港中文大学等团队破解智能体"健忘症"

这项由香港中文大学裴泽华、潘信陵和于贝等学者，联合华为诺亚方舟实验室任慧玲、柯世雄、王云鹤、袁明轩等研究人员共同完成的研究，于2024年12月在预印本论文平台发表，论文编号为arXiv:2512.15374v1。感兴趣的读者可以通过该编号查询完整论文内容。

在现实生活中，当我们反复犯同样的错误时，通常会被说成"不长记性"。现在的AI智能体也面临着相似的问题。当前的AI助手就像一个健忘的学徒，即使刚刚因为操作错误而失败，下一次遇到类似情况时仍然会重复相同的错误。这种现象在AI领域被称为"静态提示词"问题，就好比给学徒一份永远不变的工作手册，无论遇到多少新情况或犯了多少错误，手册内容永远不会更新。

研究团队发现了一个令人震惊的现象：当前最先进的AI智能体系统虽然能够获取大量的上下文信息，却缺乏有效管理这些信息的机制。这就像一个拥有世界上最大图书馆钥匙的人，却不知道如何找到需要的书籍一样。通过分析超过150万行的AI执行日志，研究人员识别出两种主要的失败模式。第一种是"纠正性失败"，AI在收到明确的错误信息后，仍然将其视为普通警报而非可操作的反馈。第二种是"增强性失败"，即使在没有明显错误的情况下，AI也错过了优化机会，固守低效的策略。

为了解决这一根本性问题，研究团队开发了一个名为SCOPE的革命性框架，全称为"通过提示词进化实现自进化上下文优化"。这个系统的核心思想是让AI的指令系统能够像生物进化一样不断完善自己。SCOPE将上下文管理转化为一个在线优化问题，通过分析执行轨迹来自动合成指导原则，让智能体的提示词能够自动进化。

SCOPE系统的工作原理可以用一个不断改进的烹饪食谱来类比。传统的AI智能体就像严格按照一份固定食谱做菜的厨师，即使发现某种调料会让菜变苦，下次做菜时仍会加入同样的调料。而SCOPE系统则像一个聪明的厨师，会在食谱的空白处记录每次的经验教训。当发现某种调料会让菜变苦时，会在食谱上写下"避免使用X调料"。当发现某种搭配特别美味时，会记录下"尝试使用Y和Z的组合"。

这个系统引入了双流路由机制，能够平衡战术特异性和战略通用性。战术流专门处理当前任务的具体问题，就像在食谱上临时记录"今天的盐比较咸，要少放一些"。战略流则负责提取长期有效的通用原则，如"在潮湿天气里，面粉的吸水性会增强，需要适当减少液体用量"。

除了双流机制，SCOPE还采用了视角驱动探索策略，同时维护多个具有不同优化视角的并行提示词。这就像同时培训两个不同风格的厨师，一个专注于效率，追求快速出菜，另一个专注于精致，确保每道菜品都达到完美水准。在面对不同类型的"客户"时，系统能够选择最适合的"厨师"来处理任务。

在实际测试中，SCOPE展现出了令人瞩目的效果。在专业级别的HLE基准测试中，这个系统将任务成功率从14.23%提升到了38.64%，几乎实现了三倍的性能提升。在GAIA基准测试中，成功率从32.73%跃升至56.97%。这种改善不是一次性的突破，而是随着指导原则的积累而持续改进的过程。

研究团队深入分析了超过150万行执行日志后，发现了两种截然不同的失败模式。纠正性失败通常发生在AI收到明确错误信号时。比如，当系统提示"找不到final_answer工具"并明确列出可用工具列表时，AI却继续尝试使用错误的工具名称。这就像一个人明明看到门上写着"拉"，却还在那里拼命推门一样。更严重的情况下，AI甚至会在无法获取真实数据时编造信息，这种行为在部署到真实环境中可能带来严重的安全风险。

增强性失败则更加微妙，它发生在没有明显错误的情况下。AI可能采用了技术上正确但效率极低的策略。例如，在搜索棒球相关信息时，AI只使用"walks"这个词，而错过了更专业的术语"base on balls"或缩写"BB"。这就像用最原始的方法解决问题，虽然最终可能成功，但过程极其低效。

SCOPE的指导原则合成过程采用了创新的最佳N选择机制。系统首先生成多个候选指导原则，然后通过专门的选择器来挑选最优方案，这个过程类似于举办一场内部创意比赛，让多个方案竞争，最终选出最实用的指导原则。

在分类和路由阶段，SCOPE使用专门的分类器来评估每个指导原则的通用性并分配置信度得分。高置信度的通用原则会被添加到战略记忆中，在多个任务间保持有效。低置信度或任务特定的原则则被分配到战术记忆中，仅在当前任务中有效。这种设计确保了系统既能学到长期有效的智慧，又不会被过于具体的临时经验所困扰。

记忆优化是SCOPE的另一个重要特性。当战略记忆中的指导原则数量超过预设阈值时，系统会自动触发优化流程。这个过程包括冲突解决、包含性修剪和整合三个步骤。冲突解决负责处理相互矛盾的指导原则，包含性修剪会移除被更通用原则覆盖的具体规则，整合则将相似的指导原则合并为更全面的规则。

视角驱动探索机制让SCOPE能够同时维护多个优化视角。效率视角专注于减少延迟和计算成本，倾向于快速失败和工具切换策略。完整性视角则优先考虑准确性和全面性，更倾向于尝试多种方法和深度验证。实验结果显示，这两个视角在不同类型的任务上各有优势，它们的交集仅占33.94%，意味着约23%的解决方案是某个特定视角独有的。

在具体实现上，研究团队构建了一个分层多智能体系统作为基础测试平台。这个系统包含一个规划智能体作为顶层协调者，以及多个专门的子智能体，包括网络搜索、分析和浏览器智能体。每个智能体都配备了特定领域的工具，使用不同的语言模型以发挥各自的优势。

实验结果显示，SCOPE在多个维度上都表现出色。在专业知识密集型领域，如生物医学和化学，系统的改进最为显著。在生物医学领域，准确率从14.9%提升至43.2%，在化学领域从14.1%跃升至50.3%。这些领域通常涉及专门的工具使用和复杂的协议，SCOPE的领域特定指导原则能够有效帮助智能体恢复和优化。

研究团队还发现了一个反直觉的现象：将指导原则放置在系统提示词中比放置在用户提示词中效果更好。系统提示词放置方式实现了46.06%的准确率，而用户提示词放置方式仅达到41.21%。分析表明，系统提示词作为隐性背景指导，允许智能体将指导原则内化并保持探索灵活性。相比之下，用户提示词中的指导原则被视为显式命令，导致过度顺从，智能体变得过于保守，提前终止任务而非持续探索。

在模型选择方面，研究发现SCOPE的有效性与具体的元智能体模型选择无关。无论使用GPT-4.1还是Gemini-2.5-Pro作为指导原则生成器，系统都能实现相似的性能表现，差异仅在1.2%以内。这一发现简化了部署过程，允许实践者根据成本或延迟需求而非准确性需求来选择模型。

通过对指导原则分布的详细分析，研究团队发现增强型指导原则占所有合成指导原则的61%，这表明SCOPE主要是一个优化器而非仅仅是错误调试工具。这种主动优化的特性解释了为什么SCOPE在错误率较低的情况下仍能持续改进，因为它能够编码成功模式来预防潜在失败。

研究还揭示了一个重要的合规性现象：智能体确实会遵循合成的指导原则。通过语言采用分析，研究团队发现智能体在SCOPE合成指导原则后，会在后续输出中逐字采用相关措辞。例如，当系统合成了建议使用"合理标签同义词和短语变体"的指导原则后，智能体的后续输出会直接包含这一确切措辞。这种直接的语言转移提供了强有力的证据，证明指导原则被积极整合到智能体的决策制定过程中。

现代智能体系统的复杂性为这种动态优化创造了独特的机会。成功的GAIA轨迹平均需要16.4个步骤，复杂任务甚至超过30轮交互。系统由专门的子智能体组成，如浏览器和分析器，各自具有不同的失败模式。这种异构性意味着优化必须是智能体特定的。研究结果显示，浏览器智能体积累了最多的指导原则，主要集中在应对网络特定挑战的效率指导上，而规划智能体的指导原则则专注于工具使用，反映了其协调角色。

SCOPE框架的理论基础在于将智能体的提示词视为可进化的参数。与传统的梯度优化不同，由于提示词空间是离散的，系统无法直接计算梯度。相反，SCOPE从执行轨迹中合成自然语言指导原则，将离散优化问题转化为可操作的文本更新过程。这种方法使得每次智能体调用都成为应用学习指导原则的机会。

在安全性和可靠性方面，研究发现基础智能体在面临不确定性时存在编造信息的严重倾向。当遇到无法读取的文件或无法访问的网址时，智能体经常生成假设性分析，然后基于这些完全虚构的数据产生看似合理的最终答案。SCOPE通过提供明确的不确定性处理指导原则，显著减少了这种危险行为。

这项研究的意义远远超出了技术层面的改进。它展示了一种新的AI发展范式，从静态的、手工制作的指令转向动态的、自适应的智能系统。这种方法不仅提高了性能，还为AI系统的持续学习和改进开辟了新的可能性。随着AI技术在各个领域的应用日益广泛，这种能够从经验中学习并自我改进的能力将变得越来越重要。

值得注意的是，SCOPE的成功不仅在于技术创新，还在于对AI智能体认知局限性的深刻理解。通过识别和解决纠正性失败和增强性失败这两种根本性问题，研究团队为整个AI领域提供了宝贵的见解。这种对问题本质的深入分析，结合创新的解决方案，使得SCOPE不仅是一个有效的技术工具，更是AI发展方向上的重要里程碑。

实验验证的广度和深度也值得赞扬。研究团队在多个具有挑战性的基准测试上验证了SCOPE的有效性，从专业级别的HLE测试到通用AI助手的GAIA评估，再到深度搜索的DeepSearch基准。这种全面的评估确保了研究结果的可靠性和普适性。

从实用角度来看，SCOPE的模型无关性使其能够轻松集成到现有的AI系统中，无需对底层架构进行重大修改。这种设计哲学确保了研究成果能够快速转化为实际应用，为AI技术的产业化提供了有力支持。

总体而言，SCOPE代表了AI智能体技术发展的一个重要转折点。它不仅解决了当前系统的关键问题，还为未来更加智能、自适应的AI系统奠定了基础。随着这一技术的进一步发展和应用，我们有望看到AI助手在各个领域发挥更大的作用，真正成为人类的得力助手。

Q&A

Q1：SCOPE系统如何帮助AI智能体避免重复犯错？

A：SCOPE通过动态更新AI的指令系统来解决这个问题。就像给AI提供一本会自动更新的工作手册，每当AI犯错或找到更好的解决方法时，系统会自动在"手册"中添加相应的指导原则。比如AI第一次因为工具名称错误而失败后，SCOPE会自动生成"使用正确工具名称"的指导原则，确保下次不会犯同样错误。

Q2：双流路由机制是什么，为什么需要区分战术和战略指导？

A：双流机制类似于区分"临时笔记"和"长期经验"。战术流处理当前任务的具体问题，如"今天网络很慢，要多等几秒"，这种指导只对当前任务有用。战略流则提取通用原则，如"网络请求失败时应该重试三次"，这种经验可以在多个任务中重复使用。这样既能解决当前问题，又能积累长期智慧。

Q3：视角驱动探索为什么要同时维护效率和完整性两种视角？

A：这就像同时培训一个快手厨师和一个精工厨师。效率视角追求快速解决问题，适合处理时间紧迫的简单任务。完整性视角注重准确性和全面性，更适合复杂的专业任务。实验显示，约23%的成功案例是某个特定视角独有的，这意味着单一视角会错过很多解决方案，只有结合两种视角才能应对各种不同类型的挑战。