历史记录能帮 Agent 想起过去，却不能保证它下一次真的会按正确方法做。MSCE 想补上的，正是“记得”和“会做”之间的这段空白。
01 Agent 能记住，不等于下次会做
Agent 已经不只是在对话框里给出一个答案，它们会进代码库找文件、打开浏览器查资料、调用工具继续往下做。但随着任务越拉越长，问题也跟着冒出来：隔几天再遇到类似问题，它能不能少走弯路？
这正是记忆张量MemTensor 联合中国科学技术大学、香港理工大学、福州大学和西安交通大学的研究人员提出 MSCE（Memory-Skill Co-Evolution）的切入点。它不只把长期记忆当作可检索的历史文本，而是希望让系统从一次次交互里挑出可信的经验，再把它们整理成可复用的策略和技能。
换句话说，MSCE 要解决的不是“怎样多记一点”，而是“记住以后，怎样真的学会”。
02 一段经历，什么时候才值得留下？
如果把聊天记录、工具返回和操作轨迹都塞进长期记忆，Agent 的确“记得更多”了。但它下一次做事时，还是得把这些材料重新读一遍、重新判断一遍。这很像把一整本工作日志交给新人：东西不少，却没有告诉他，哪一页才是真正能照着做的经验。
更难的是分辨。
任务成功了，不一定是方法真的对，也可能只是当时的环境刚好配合。任务失败了，也不代表整条路径都错了，里面可能有一步本来是对的，只是没来得及走完。
如果不做筛选，直接把原始轨迹固化成技能，试错过程、偶然条件，甚至只适用于那一次任务的细节，都会被一起打包带走。下一次复用的，可能不是经验，而是上一次留下来的偏差。
MSCE 不把“多存一点”当作答案，它先问三个更具体的问题：哪些经验值得留，哪些做法可以抽出来复用，以及一条策略满足什么条件，才够资格变成技能。
03 这不是三层笔记，而是三套不同的更新规则
MSCE 没有把所有信息塞进同一个记忆池，而是将其拆分为 L1、L2 和 L3 三层。三层记忆不仅承载的内容不同，写入与更新机制也各不相同。
L1 是证据层。
一条 L1 不是一句事后总结，而是一组“状态、动作、观察、局部反思、价值”的决策单元。最后这个价值在任务结束前并不存在：系统先把轨迹留住，等 episode 的终局反馈到来，再回填到具体步骤。
为了控制存储和隐私风险，L1 保存的是归一化证据——截短的状态文本、动作文本、结构化工具元数据和受限的工具输入输出，L2、L3 只保留这些证据的 ID，不再复制原始记录。
L2 才是“做法”层，但也不是见过一次就归纳。
在 MSCE 中，只有步骤价值达到阈值 v_min 的 L1 证据，才会进入策略抽取。系统先通过向量相似度检索近邻，再核对领域标签、工具类型和归一化后的错误签名。若匹配到已有策略，新证据将用于更新该策略。若没有匹配项，则进入按确定性模式签名划分的候选池。
只有同一候选桶里，至少积累了来自 n_min 个不同 episode 的证据，系统才会归纳出一条新策略。
每条 L2 策略都包含触发条件、执行过程、验证或回退方式、适用边界和支撑证据。我们进一步引入“策略增益” G，用于衡量策略的有效性。它比较使用该策略的轨迹平均价值，与同一评估池中未使用该策略轨迹的混合基线。G 并非严格意义上的因果效应，而是用于决定策略继续保留、进入技能候选或被退役的启发式信号。
L3 则不再写“下一步怎么做”，而是抽取环境事实、动作—响应规律和约束条件。
L3 试着回答:这个环境有什么规律？如果多条 L2 策略总在同一个领域出现，系统会继续整理这里的实体、结构、工具依赖和任务约束，并把相关策略留在一起。
例如，智能体在多个软件环境中反复发现“基础镜像缺少系统依赖，仅安装 Python 包无法解决问题”，这就不再只是一条操作经验，而可以上升为对环境依赖关系的认知。
算法上的分工
L1 先把每一步变成可追溯证据；
L2 要跨 episode、过价值阈值，才形成可修订策略；
L3 只从多条稳定策略里抽环境规律。
后面的技能不是从“记忆很多”里长出来的，而是从这三道筛选里长出来的。
04 一个最终结果，怎样分给中间的每一步？
长任务常常只有一个最终结果：完成，或者没完成。可一个任务做成了，不代表前面的每一步都对，做错了，也不代表每一步都没有价值。只拿最后的成败给整条轨迹打分，很容易把真正有用的操作和无效试错混在一起。
MSCE 因此设计了一套“反思加权的价值回填”办法。最后一步直接继承终局反馈 R_i；再沿轨迹往前，每一步都在“终局反馈”和“下一步已经回填出的价值”之间取值。α_t 决定这一步更相信哪一边，γ 则控制后续价值往前传递时的折扣。
Vt = αtRi + (1 − αt*)γVt+1*
α_t 不是按反思写得长不长来定，而由一个反思评分器根据局部上下文判断：这段反思是否忠实、具体、能解释因果、并且可迁移。空话、同义反复或没有证据支撑的反思，权重会被压到很低甚至为零。对文本反馈，MSCE 再综合目标完成度、执行过程质量和用户满意度，形成 R_i。
这样，一条轨迹里的步骤不必再拿同样的分数：真正推动任务往前走、同时能解释清楚的操作会被留下。
05 从策略到技能，要再过两道门
在 MSCE 中，完成一次任务并不会直接生成一项技能。技能需要从经过持续验证的 L2 策略中进一步筛选，并转化为可被系统调用的能力单元。
首先，策略需要通过证据与增益检验。其支撑轨迹必须仍然有效，且策略增益超过晋升阈值，才有资格进入技能候选阶段。
G(f*(2)) > θG*
第二道门是稳定性：新的近期证据要能继续吻合现有的触发条件、步骤和适用边界，而不是每来一个样本就需要重写策略。
通过后，正向证据用来归纳共同流程；反向证据不被丢掉，而是用来收紧边界、写出反模式。技能因此不只回答“怎么做”，也回答“什么时候别做”。
真正让它不只是一次语言生成的，是后面的确定性校验。
系统会检查技能名称、前置条件、有序步骤、示例、工具列表和决策指导等字段是否齐全，引用的证据 ID 必须来自支撑集合，工具也必须出现在证据轨迹的白名单里。再通过两项轻量覆盖测试，防止它编造从未出现过的命令，或偏离保留下来的轨迹。任何一项失败，草稿直接丢弃，不进入可调用技能库。
最终生成的技能包含触发条件、执行过程、验证规则、适用边界、证据锚点、决策指导和可靠度等信息。可靠度不会因单次成功直接记为 100%。MSCE 采用平滑成功率，避免小样本导致结果被高估。
用户纠正或拒绝会降低技能可靠度，并可能收缩其适用边界。只有经过连续成功验证，技能才会从试用状态进入激活状态。若多次执行失败，则会被归档。
η = (npass + 1) / (ntrial + 2)
06 两组评测，结果怎么样？
我们分别在 EvoAgentBench 和 LoCoMo 上对 MSCE 进行了评测。EvoAgentBench 覆盖信息检索、数学推理、软件工程、代码实现和知识工作五类 Agent 任务，LoCoMo 主要考察长对话记忆能力。面先看 EvoAgentBench 的结果。
和各领域最强的非 MSCE 基线相比，MSCE 在信息检索、数学推理、软件工程和知识工作上的 Pass@1 分别提高 4.61、4.00、15.39 和 5.17 个百分点。代码实现任务里，它以 61.54% 的 Pass@1 并列最佳，平均交互轮数从 3.9 降到 2.0。
在 LoCoMo 评测中，MSCE 的总体评审得分为 61.23，总体 F1 为 49.89，较最强基线 SkillFlow-Evolve 分别提升 2.01 和 1.18 分。除软件工程外，MSCE 在多数任务中同时提升了效果与效率。在软件工程任务中，成功率提升更为明显，成本则小幅增加。
07 离开原任务，这套方法还管用吗？
一条技能如果只能在第一次学到它的任务里生效，价值有限。研究团队又测了六组跨领域迁移：信息检索到数学推理、数学推理到代码实现、代码实现到软件工程，以及知识工作到信息检索等。
在六组跨领域迁移实验里，Pass@1 都有提升，幅度为 2.56 至 5.13 个百分点，平均提升 3.93 个百分点，其中四组还降低了任务成本。结果说明，MSCE 沉淀下来的不是某一道题的解法，而是可以带到新场景里的操作结构、验证方式和环境认知。
我们进一步观察了从 p0 到 p100 智能体的持续学习过程。随着记忆和技能不断积累，信息检索、数学推理和软件工程三类任务的 Pass@1 都在持续上升，单位成功任务的归一化成本则在前期探索阶段有所增加，之后逐步回落。
08 记忆不该只是档案
做 Agent 记忆，常见的思路是两件事：多记一点，或者检索得准一点。MSCE 追问的是第三件事：记起来之后，怎样把经验变成下次还能用、出了问题也能改的能力？
在这套框架里，轨迹不只是日志，而是证据；策略不只是一次总结，而是带着触发器、边界和验证条件的程序；环境认知不只是模型的自由联想，而是和策略、轨迹相连的结构化信息。技能也不是临时写出的一句提示词，它有来处、有可靠度，也会经历试用、修正和归档。
MSCE 真正想处理的，不是给 Agent 多加一点存储空间，而是让它对自己做过的事有更好的记性，也有更谨慎的判断：什么该相信，什么能复用，什么还需要继续改。
论文与项目
论文地址：arxiv.org/abs/2607.16…
关于 MemOS
MemOS 为 AI 应用构建统一的记忆管理平台，让智能系统如大脑般拥有灵活、可迁移、可共享的长期记忆和即时记忆。
作为记忆张量首次提出“记忆调度”架构的 AI 记忆操作系统，我们希望通过 MemOS 全面重构模型记忆资源的生命周期管理，为智能系统提供高效且灵活的记忆管理能力。
