企业官网建设流程全解析

📖标题：Self-Designed Evaluators and Warm Memory for Long-Horizon Agents
🌐来源：arXiv, 2609.33717v1

🛎️文章简介
🔸研究问题：在没有人工标注和明确奖励信号的长周期任务中，智能体如何判断自己是否成功，从而安全地进行重试并从经验中学习？
🔸主要贡献：论文提出了SELFSUITE框架，让智能体利用公开材料自行设计一套冻结的评估套件，用于控制重试循环和标记记忆，在无标签情况下显著提升了性能。

📝重点思路
🔸自设计评估套件：智能体的基础模型作为“架构师”，仅依据世界摘要、策略文档等公开材料，自动生成包含多个评判标准（Judge）的小型评估套件。这些标准被分解为具体的检查项，并设定权重和否决机制，一旦生成即冻结，不再随部署过程改变。
🔸基于世界状态的验证：评判者不只查看对话记录，而是通过只读查询获取任务执行后的真实世界状态作为证据。这种基于结果的验证比基于过程的验证更可靠，避免了模型对自己生成内容的盲目偏好。
🔸保守的重试与择优机制：引入“保留最佳”（Keep-best）重试策略。如果第一次尝试失败且预算允许，智能体会根据评估套件的反馈进行第二次尝试。只有当第二次尝试的得分显著高于第一次时，才会替换结果，从而确保重试是低风险且有益的。
🔸带损益账本的类型化记忆：智能体将经验提炼为教训存入记忆，并为每条教训维护一个损益账本。如果某条教训被使用后任务成功则加分，失败则扣分，持续有害的教训会被淘汰，确保记忆库的质量。
🔸专家校准与热启动：模拟真实部署中专家提供的少量（10个）标注数据，可用于校准评估套件的阈值和聚合规则，或用于初始化强基线模型的记忆库，进一步微调性能。

🔎分析总结
🔸无标签表现优异：在tau2-bench基准测试中，SELFSUITE在无标签情况下的表现优于普通智能体，并与使用专家标签的方法持平；在App