智能體在部署到新環境時，通常面臨一個根本性的挑戰：冷啓動問題。傳統的智能體記憶構建方式，無論是通過離線演示還是在線交互，都需要智能體預先具備一定任務經驗，否則初始性能會非常差。針對這一問題，來自多個研究機構的研究團隊提出了一種名為PREPING（Pre-task Memory Construction）的創新框架，旨在讓智能體在未暴露於任何目標任務之前，僅通過自我生成的合成練習來構建程序性記憶，從而緩解冷啓動問題。
論文指出，單純的合成交互是不夠的。如果不對練習內容和存儲軌跡加以控制，合成任務會變得冗餘、不可行、甚至失去信息價值，同時未經篩選的軌跡也會導致記憶快速退化。為此，PREPING框架引入了提議者記憶（proposer memory）這一核心概念，它是一種結構化的控制狀態，用於塑造未來的練習生成。具體流程包括：提議者（Proposer）基於當前狀態生成合成任務，求解器（Solver）執行這些任務，驗證器（Validator）判斷哪些軌跡可以插入記憶，同時提供反饋以指導後續提議。這種閉環機制確保了合成任務的有效性和記憶的高質量。
研究團隊在三個基準上進行了實驗：AppWorld、BFCL v3和MCP-Universe。結果顯示，PREPING顯著優於無記憶基線，並且與基於離線或在線經驗構建的強劇本方法（playbook-based methods）性能相當。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。進一步分析表明，性能提升主要並非來自合成數據量的積累，而是來自提議者對可行性、冗餘度和覆蓋範圍的控制，以及選擇性記憶更新策略的運用。這項研究為構建更高效、更經濟的智能體記憶系統提供了一條新思路。