在交互任务中，重复尝试会产生事实、可用操作和失败案例，这些信息可以指导后续执行。我们提出 ReGE 框架，将记录的经验转化为新尝试的指导。其核心实现 ReGE‑Syn 只需一次教练调用，即把受限的执行记录和可用的工件合成为自包含的指导，将任务特定的发现与建议动作及潜在陷阱关联。学生智能体从任务的初始环境状态出发，根据当前观测适配该指导。源代码生成、合成和学生执行均使用同一基础模型，无需参数更新或更强的教师模型。四个基准测试表明，ReGE 将 GPT 的准确率提升约 9.9% ，Claude 提升约 8.8% ，相较于未使用指导的直接执行。 在匹配的 BrowseComp‑Plus 子集上，ReGE‑Syn 相比改编的 AggAgent 将构建指导的 token 数分别降低 98.2%（GPT）和 95.5%（Claude），并保持成功率。 综合构建与执行的 token 数（计入输入输出，不含源代码生成）分别下降 15.7% 和 35.4%。 进一步的消融实验显示，获取过程信息可减少学生步骤，且联合合成产生的指导显著短于直接历史或独立摘要，且同样成功。这些结果表明，智能体可以利用自身记录的经验提升后续任务完成效率，并为并行智能体系统（如智能体群）提供低成本的经验整合方式。
点评