MIT 与 Meta 论文：ReHarness 用任务结果修正 agent 记忆笔记
做 agent 记忆的人可以看看这篇：MIT 和 Meta 的 ReHarness 让任务结果反过来修正旧笔记，3 个基准平均 0.240 gain，超过 raw-trajectory 基线的 0.168，token 开销只有复放全历史的零头。
MIT 与 Meta 的论文 ReHarness 发现，agent 记忆系统的问题往往不在写入而在更新：历史笔记一旦写成就很少变动，过于宽泛或过时的经验会持续误导后续任务。ReHarness 在每次任务结束后，将检索到的旧笔记和本次执行结果交给一个 revision agent，仅依据该笔记原始任务的事实对每条笔记进行收窄或修正。
在 3 个基准、3 个前沿模型上，ReHarness 平均取得 0.240 的 normalized gain（相对无记忆 agent 的可提升空间占比），最佳 raw-trajectory 基线为 0.168。在 CL-Bench 上配合 Claude 复放完整原始历史需要 3.4 倍 token 消耗，ReHarness 显著更省。
对开发者而言，若 agent 靠积累笔记实现任务学习，这套机制提示让每次执行结果去编辑塑造它的旧笔记，比单纯追加新笔记更有效。
New MIT and Meta paper finds that agent memory works better when old notes get corrected using what happened the next time they were used.
Agents that learn on the job save notes from past tasks and reuse them. Once written, those notes rarely change, so an overly broad or outdated lesson keeps misleading the agent.
After each task, ReHarness sends the retrieved notes and the result to a revision agent. It narrows or corrects each note, using only facts from that note's original task.
Across 3 benchmarks and 3 frontier models, it averaged 0.240 in normalized gain, the share of possible improvement over a memoryless agent. The best raw-trajectory baseline scored 0.168, and replaying full raw history used 3.4× as many tokens on CL-Bench with Claude.
If your agent learns from experience, let each outcome edit the notes that shaped it, not only add new notes.
本条情报归属 AITOP「论文」核心栏目，重点聚焦北美前沿实验室与硅谷科技巨头。在跨区域产业观察坐标中，该动态直接关联「AI 开发者工具链、Coding Agent 与工程化实践」研究主线，反映出当前技术演进与商业落地的最新风向。涉及核心实体与技术议题包括：ReHarness、agent记忆、MIT、Meta，读者可通过下方标签进入对应专题页查阅历史脉络与关联对比。
信源核验说明：本文原始线索采编自「rohanpaul_ai」（@rohanpaul_ai），经 AITOP 多维评分管线结构化提炼。
