研究揭示大语言模型智能体记忆增加导致性能下降现象，并提出 Anti-Persistence 机制

研究提出 Anti-Persistence 记忆设计，通过仅积累执行轨迹与结果并在需要时动态重构任务指引，解决大语言模型智能体因持久化存储抽象经验而产生的错误复现问题。研究发现，存储抽象规则会导致错误在抽象、执行与再抽象循环中不断再生，使得记忆增加反而损害表现。在多种基准测试和模型骨干上，该方法在测试集上取得了更高的整体成功率，且在评估的各类记忆架构中保持了最低的平均 LLM 调用成本。