在智能体的设计中，代理控制层是将基础大型语言模型（LLM）转变为可执行代理的重要组成部分，负责管理上下文、工具、编排、记忆、解码和输出处理。尽管代理设计对行为影响重大，但大多数自动优化方法往往聚焦于更狭窄的工件，如提示、管道或工作流，且已部署的代理通常使用单一全局控制层来处理所有用例。
为了改变这一现状，我们提出了 MemoHarness，一个自适应的控制层优化框架，能够从自身执行中学习。MemoHarness 将控制层分解为六个可编辑的控制维度，并在双层经验库中存储每个案例的诊断和提炼的全局模式。它通过检索经验来适配学到的控制层，无需测试时标签、反馈或额外搜索。
在我们对 shell-agent、代码生成和分析推理基准的评估中，MemoHarness 的性能优于我们所比较的固定控制层，并显示出对未见套件和基础模型的选择性迁移。其额外的上下文也在许多可缓存的检索经验中保持了成本竞争力。这些结果证明，执行经验是构建比单一静态配置更具适应性的代理控制层的实用基础，而有关统计稳健性和组件归属的更广泛声明则留待未来的研究。
博主点评： MemoHarness 的提出为智能代理的适应性优化提供了新的思路，通过学习执行经验实现了显著的性能提升，展现了未来智能体发展的潜力。其双层经验库的设计也为智能体的个性化应用提供了新的可能性，值得深入研究。