当前Agent记忆系统多依赖人工设计的固定模块，难以泛化且扩展性差。MemSkill提出了一种全新的记忆总结范式，通过可学习、可进化的记忆技能库，实现了更灵活、高效的记忆构建，为长周期智能体的发展提供了新思路。
智能速览
现有Agent记忆系统依赖人工流水线，泛化与扩展能力受限。
MemSkill将记忆构建升级为可学习、可进化的记忆技能库。
通过Controller与Executor协作，实现按需组合技能生成记忆。
Designer模块能从失败案例中学习，实现记忆技能的自我进化。
实验验证了其在对话与具身决策等场景的有效性与泛化性。
精华内容
MemSkill的核心在于将静态的模块处理转变为动态的技能组合，这一范式转变不仅提升了效率，更赋予了记忆系统自我优化的能力。
传统记忆的困境
当前主流的Agent记忆系统大多遵循“手工搭记忆提取模块流水线”的构建范式。这种方式结构过于僵化，强依赖于人类预先设定的规则和知识，导致系统难以泛化到新的数据领域。此外，逐轮（turn-level）的顺序处理方式在面对长轨迹任务时，计算成本和维护负担会急剧增加，可扩展性成为一大瓶颈。
技能驱动的生成
MemSkill借鉴了Agent Skills的思想，将“如何构建记忆”本身定义为一项可学习、可进化的技能。其核心是Span-level Skill-conditioned Memory Generation范式，不再逐轮运行固定模块，而是以文本片段为单位进行处理。
系统包含Controller和Executor两个核心组件。首先，Controller会根据当前文本片段，从技能库中为候选技能打分，并筛选出最相关的Top-K技能，以避免过多信息干扰LLM。然后，Executor在这些选定技能的条件下，一次性生成并更新结构化的记忆。为了让技能选择更智能，Controller通过强化学习进行训练，以下游任务的反馈作为奖励信号，学习最优的技能组合策略。
失败驱动的进化
为了让记忆技能库能够摆脱对人类先验的依赖并持续进化，MemSkill设计了一个Designer模块。该模块负责实现技能的自我迭代。
系统会维护一个由失败案例驱动的缓冲区。Designer会定期回看这些疑难案例，通过聚类分析提炼出重复出现的失败模式。基于这些分析，Designer可以对现有技能进行编辑，比如优化触发条件、调整抽取规则，或者直接创建全新的技能来补齐能力短板。这个闭环优化过程，使得记忆技能库能够随着任务经验的积累而不断自我完善。
性能与泛化验证
在实验评估中，MemSkill展现了出色的性能。在LoCoMo和LongMemEval等对话记忆任务，以及ALFWorld具身决策任务中，该框架均带来了稳定的性能提升。更重要的是，MemSkill表现出强大的泛化能力，其在LoCoMo数据集上训练的技能库，能够直接迁移并提升在HotpotQA数据集上的表现。这充分验证了该记忆范式在不同任务形态下的通用性和有效性。
MemSkill通过引入可学习和进化的记忆技能，为构建自适应的Agent记忆系统开辟了新路径。这种数据驱动、自我优化的范式，或许是让智能体真正具备长期记忆能力的关键一步，未来将如何影响更复杂的任务场景？
