大型语言模型（LLM）代理已经能够通过数百次思考‑行动循环完成仓库级别的编码任务，但每次运行产生的经验几乎没有在后续任务中被复用。现有记忆系统主要关注检索，即在大量历史轨迹中找出最相关的那条，却无法观察正在运行的代理，因而无法判断代理是否需要经验、何时需要以及需要多长时间。为此我们提出了 REM（Reusable Experience Memory）框架，它在代理的思考‑行动循环内部通过三项显式决策管理记忆的全生命周期。
存储什么：每条完成的轨迹会被压缩为一个阶段结构化文档，其体积比原始轨迹小两个数量级。
何时召回：在任务开始时注入该文档；更昂贵的实现记录则在循环内部的检测门判定代理出现卡顿时才提供。
何时遗忘：该记录在被使用一次后即被驱逐。
在仓库级别的 bug 修复基准 SWE‑ContextBench Lite 上，REM 能以 68.7% 的 match@1 准确率检索到相关轨迹，显著高于所有现有记忆系统的 55.6%。同时，任务成功率提升至 27.6%（对比 24.9%），且整体成本降低 17%。即使使用 oracle‑检索的原始轨迹或摘要注入，也无法达到同等效果。去除任意一项决策都会导致性能下降。
这些结果表明，经验复用的瓶颈不在检索精度，而在于经验的存储方式和生命周期管理，为代理记忆提供了控制理论的全新视角。
点评