PREPING：无任务构建智能体记忆
智能体在进入新环境时面临冷启动问题，因为缺乏任务特定经验。本文提出PREPING框架，通过提议者引导的合成任务生成和选择性记忆更新，使智能体在无任务情况下构建程序性记忆。实验表明，该方法在多个基准上性能与基于剧本的方法相当，且部署成本显著降低。
智能体在部署到新环境时，通常面临一个根本性的挑战：冷启动问题。传统的智能体记忆构建方式，无论是通过离线演示还是在线交互，都需要智能体预先具备一定任务经验，否则初始性能会非常差。针对这一问题，来自多个研究机构的研究团队提出了一种名为PREPING（Pre-task Memory Construction）的创新框架，旨在让智能体在未暴露于任何目标任务之前，仅通过自我生成的合成练习来构建程序性记忆，从而缓解冷启动问题。
论文指出，单纯的合成交互是不够的。如果不对练习内容和存储轨迹加以控制，合成任务会变得冗余、不可行、甚至失去信息价值，同时未经筛选的轨迹也会导致记忆快速退化。为此，PREPING框架引入了提议者记忆（proposer memory）这一核心概念，它是一种结构化的控制状态，用于塑造未来的练习生成。具体流程包括：提议者（Proposer）基于当前状态生成合成任务，求解器（Solver）执行这些任务，验证器（Validator）判断哪些轨迹可以插入记忆，同时提供反馈以指导后续提议。这种闭环机制确保了合成任务的有效性和记忆的高质量。
研究团队在三个基准上进行了实验：AppWorld、BFCL v3和MCP-Universe。结果显示，PREPING显著优于无记忆基线，并且与基于离线或在线经验构建的强剧本方法（playbook-based methods）性能相当。更重要的是，PREPING的部署成本大幅降低：在AppWorld上降低了2.99倍，在BFCL v3上降低了2.23倍。进一步分析表明，性能提升主要并非来自合成数据量的积累，而是来自提议者对可行性、冗余度和覆盖范围的控制，以及选择性记忆更新策略的运用。这项研究为构建更高效、更经济的智能体记忆系统提供了一条新思路。