エージェントを新しい環境に展開する際、根本的な課題としてコールドスタート問題が存在します。従来の方法では、オフラインのデモンストレーションやオンラインのインタラクションを通じて記憶を構築しますが、タスク固有の経験がないと初期性能が低くなります。この問題に対処するため、複数の研究機関からなるチームは、PREPING（Pre-task Memory Construction）という革新的なフレームワークを提案しました。これにより、エージェントは目標タスクに遭遇する前に、自己生成した合成練習のみを用いて手続き的記憶を構築できます。
論文では、単なる合成インタラクションでは不十分であると指摘されています。制御なしに練習内容や保存内容を決定すると、合成タスクは冗長で実行不可能になり、最終的に情報価値が失われます。また、フィルタリングされていない軌跡によって記憶が急速に劣化します。PREPINGの中核は提案者記憶（proposer memory）であり、これは将来の練習を方向づける構造化された制御状態です。提案者（Proposer）はこの状態に基づいて合成タスクを生成し、ソルバー（Solver）がそれを実行し、バリデーター（Validator）が記憶への挿入に適した軌跡を判定すると同時に、将来の提案を導くフィードバックを提供します。
研究チームはAppWorld、BFCL v3、MCP-Universeの3つのベンチマークで実験を行いました。その結果、PREPINGは記憶なしのベースラインを大幅に上回り、オフラインまたはオンラインの経験から構築された強力なプレイブックベースの手法と競合する性能を達成しました。さらに、展開コストはAppWorldで2.99倍、BFCL v3で2.23倍削減されました。詳細な分析により、性能向上は主に合成データの量ではなく、提案者側での実現可能性、冗長性、カバレッジの制御と選択的な記憶更新によるものであることが明らかになりました。この研究は、より効率的なエージェント記憶構築への新たな道を開くものです。