空间智能正成为嵌入式代理、机器人规划和多模式助手的基础。为了提高VLM代理的空间推理能力，现有工作主要遵循两条路线。一条路线使用后训练方法，例如有监督微调和强化学习。另一条路线采用代理范式，模型调用外部空间工具，例如深度估计和3D重构工具，来收集中间空间证据。我们研究了一条互补和未被充分探索的路线：冻结的VLM代理是否可以通过无参数更新的自我进化，在不依赖外部专家空间工具的情况下，提高其空间推理能力？我们提出空间记忆代理（SMA），一个基于经验的运行时框架，它将验证的空间经验转换为可重用的可转移的课程。在一个可验证的空间环境中，SMA查询冻结的VLM，获得预测答案和奖励，并使用验证器引导的反思来从空间经验中提取紧凑的可转移的课程。SMA进一步为每个课程分配一个转移可靠性评分（TRS），它最初被统一初始化，并从后续检索结果中校准为未来转移可靠性的访问证据。在只读部署期间，SMA检索课程通过语义过滤和相似性-TRS综合排名，使检索到的内存指导冻结模型推理。在五个代表性的空间基准和四个基本VLM中，SMA在每个基本模型块中实现最高的宏平均值，并在20个评估中的大多数中实现最佳准确性，建立了一个实用的无参数更新的空间自我进化路径，适用于评估的冻结模型规模和环境。 博主点评： 空间记忆代理为VLM代理提供了一种新的空间推理方式，通过自我进化和经验学习，提高了代理的空间智能能力，这为嵌入式代理和机器人规划提供了新的思路和解决方案。