在东谈主工智能的宽阔天下里体育游戏app平台，咱们早已习尚了 LLM 智能体在各式任务中大放异彩。但有莫得那么刹那间，你合计这些 AI "牛马"照旧缺了点什么？
没错，它们吃力的是咱们东谈主类最顾惜的职场妙技：履历的蕴蓄和抓续的自我进化。
联想一下：你入职第一天，对公司一无所知，只可依靠在学校中学习到的常识，责任中犯了错也无法吸取教授，第二次遭受同样的问题，你还得重新再来。听起来是不是很像一个会失忆的器具东谈主？这等于现存 LLM 智能体在处理执行天下"长程任务"（Long-Horizon Tasks）时面对的浩瀚挑战。
为了透澈惩办这一"职场热闹"，来自上海东谈主工智能实验室及谐和机构的筹划者们，建议了一套全新的智能体框架——MUSE（Memory-Utilizing and Self-Evolving，驰念愚弄和自我演化），让智能体在"职场"中不停进化，成为信得过的"职场新星"，收场"干中学"（Learning on the Job）。
底下的视频展现了一个模拟东谈主类神色司理对公司神色 issue 进行料理的例子，不错看到 MUSE 在包括 GitLab，Plane 在内的多个软件平台来往跳转操作，最终在莫得任何东谈主类介入的情况下完成了这个任务。
当今 , MUSE 的论文与代码依然完成了开源（结合见文末）。
MUSE：三步走，打造 AI "职场新星"
MUSE 的核热沈念，是为 LLM 智能体构建一个"履历入手、自我演化"的闭环系统，用"测试时学习"范式一次性惩办"静态参数 + 无法进化 + 长程任务"三大痛点。
这个系统围绕一个分层驰念模块（Hierarchical Memory Module）伸开。简便来说，MUSE 让智能体像东谈主类一样：先作念、再反念念、然后进化。
△MUSE 框架第一步：告别"忘记症"——分层驰念模块（Memory Module）
传统 LLM 智能体之是以被称为"失忆的实施者"，等于因为它们莫得永久驰念，无法保留和应用历史常识。而 MUSE 框架为智能体装上了"大脑核心"——一个能组织不同层级履历的驰念模块。这些履历包括：
Strategic Memory：保存"窘境 - 战术"对，全局加载到系统教唆，指引宏不雅行为范式。
Procedural Memory：按"应用→ SOP 索引→谛视法子"三级组织，凯旋子任务轨迹及时千里淀为当然讲话模范功课圭表；轻量级索引常驻荆棘文，笃定按需检索。
Tool Memory：静态描述 + 动态指示双组件，为每个基础器具提供"肌肉驰念"，用后立即更新。
MUSE 八成愚弄这些履历来缠绵和实施跨应用的复杂任务，从而惩办现存智能体在动态缠绵、履历蕴蓄和抓续学习方面的艰辛。
第二步："过后诸葛亮"——自主反念念（Self-Reflection）
这是 MUSE 最"类东谈主"的机制。在每完成一个子任务之后，MUSE 的智能体不会立即进行下一个任务，而是会自主地对它的实施轨迹进行反念念。
这种反念念机制，就像是 AI 在给我方作念"责任归来与复盘"。
它会评估子任务的实施断绝： 凯旋了照旧失败了？
它会把原始的实施轨迹（Raw Trajectory）自动革新为结构化的履历（Structured Experience）。若是凯旋，就会提真金不怕火出高效的操作序列看成新的 SOP（模范操作圭表）。
它甚而领有"第二次契机"机制： 若是第一次尝试失败，它有一次重试契机（无需检索，饱读动探索），若是再次失败，才会触发从新缠绵。
第三步：超越"静态参数"——抓续自我演化（Self-Evolution）
通过抓续的"缠绵 → 实施 → 反念念 → 索要履历"的四步闭环轮回，MUSE 收场了信得过的自我演化。
这些蕴蓄的履历会被整合回驰念模块，不停优化智能体畴昔的缠绵和实施战术。这意味着：MUSE 的性能会跟着它自主蕴蓄的履历越来越多而抓续提高。
实验断绝：智能体的"职场"推崇
MUSE 框架在一系列实验中展示了令东谈主奋斗的技能：
SOTA 推崇和降维打击
在专为永久坐褥力任务遐想的基准测试TAC （TheAgentCompany） 上，MUSE 获取了显赫的 SOTA 性能。最令东谈主诧异的是，MUSE 仅使用轻量级的 Gemini-2.5 Flash 模子，就打败了使用更大模子（Claude Sonnet 4）的现存 SOTA 要领， 在 TAC 的筹划上初次冲破 50% 大关，达到 51.78%。这解说了 "履历入手的自我演化机制"具有高超的前程。
抓续进化
面对重叠任务，智能体孰能生巧，一次比一次作念得更好，再也不是职场小白啦。
强盛的泛化技能
MUSE 蕴蓄的履历具备强盛的泛化特点，即使在全新的、从未见过的任务上，它也能收场零样本改变（Zero-shot Improvement）。
可移动性
将闭源模子蚁合到的履历移动到开源模子 DeepSeek-V3 上，不错匡助 DeepSeek-V3 在一众开源模子中成为 SOTA。
成果展示：智能体的责任往日
智能体创建多东谈主聊天群组，同期向三位共事盘问信息，显赫简化信息蚁合过程：
智能体高出多个平台（rocketchat，gitlab 等）次序与三位共事相似，实施了杰出 100 个法子，最终圆满完成复杂任务：
畴昔预测：AI 的"职场"后劲
MUSE 框架的出现，象征着 AI 智能体依然迈入了"履历入手的毕生学习"新阶段。它超越了传统的"测试时静态"阵势，展示了 AI 在长程任务中的浩瀚后劲，为收场更具妥当性和智能化的 AI "职场打工东谈主"奠定了坚实基础。预测畴昔，有什么办法能让 AI 打工东谈主收场进一步的提高呢？
1. 告别"失忆"，优化驰念
强化检索与整合： 尽管 MUSE 八成自动将原始轨迹革新为结构化、可重叠使用的常识（SOP）并整合到驰念模块中，但如何更高效地检索（Retrieval）有关履历，并确保新旧常识的无缝整合（Integration），是下一步优化的要津。
长效性和抓续性： 如何确保驰念模块八成收场信得过的毕生、抓续学习，堤防旧常识被不适合地淡忘或遮蔽，从而在海量履历中保抓性能的褂讪提高，将是需要抓续深耕的认识。
2. 丰富履历开始，打造多维度的"职场导师"
引入东谈主类颖悟： 预测畴昔的筹划认识，不错将东谈主类反应（Human Feedback）和东谈主类示范（Demonstrations）集成到驰念系统中。就像职场新东谈主通过不雅看导师操作（示范）和听取指引（反应）来快速成长一样，这将大大加快 AI 智能体的学习遵守和技能鸿沟。
3. 完善评估体系，助力 AI 职场"公谈竞争"
永久评估模范： 需要创建更全面的、专诚用于永久任务评估的基准。
多维度技能磨真金不怕火： 评估不仅要存眷任务的凯旋率，还要测度智能体的驰念保留技能、妙技移动技能以及主动有筹划技能，确保其八成像一个信得过的毕生学习者一样抓续发展。
Arxiv：
https://arxiv.org/abs/2510.08002
GitHub：
https://github.com/KnowledgeXLab/MUSE
一键三连「点赞」「转发」「小心心」
接待在批驳区留住你的想法！
— 完 —
咱们正在招聘别称眼疾手快、存眷 AI 的学术裁剪实习生 � �
感兴味的小伙伴接待存眷 � � 了解笃定
� � 点亮星标 � �
科技前沿进展逐日见体育游戏app平台