记忆迁移学习：编码代理中跨域记忆传递机制

一句话定位

提出记忆迁移学习（MTL），通过跨异构任务域的统一记忆池提升编码代理性能，揭示抽象层级决定迁移有效性。

小学生也能听懂

这篇论文像给AI大脑建了个“记忆图书馆”，把不同编程任务的经验（比如解题步骤、关键发现）存起来，让AI做新题时能快速找到类似经验来帮忙，发现越高级的经验（如“洞见”）越有用，平均让AI成绩提高了3.7%。

为什么值得记录

首次系统研究编码代理中跨域记忆迁移机制，突破现有单域记忆限制
在6个编码基准上平均提升3.7%性能，验证跨域记忆有效性
揭示高抽象记忆（如Insight）比低抽象记忆（如Trajectory）更具迁移性
证明记忆可在不同模型间迁移，提升方法通用性
提供记忆抽象度量化框架与负迁移案例分析

核心方法

构建四层级记忆表示：Trajectory（轨迹）、Workflow（工作流）、Summary（摘要）、Insight（洞见）
离线生成记忆：基于LLM判断推理成败，使用不同提示生成四类记忆
记忆池构建：汇集除测试基准外所有基准的记忆形成异构域记忆池
记忆检索：通过文本嵌入余弦相似度进行Top-N检索（N=3）
实验设置：在6个编码基准（LiveCodeBenchv6、SWE-Bench等）评估Pass@3指标
对比模型：GPT-5-mini、DeepSeek V3.2、Qwen3-Coder-480B-A35B-Instruct

关键结果

MTL平均提升3.7%性能，Insight格式最优（最高+8.3%）
跨模型验证：DeepSeek V3.2提升2.6%，Qwen3提升1.8%
优于现有自进化方法：比ReasoningBank高2.9%，比AgentKB高1.7%
抽象度与迁移效果正相关：Insight > Summary > Workflow > Trajectory
任务无关记忆比任务相关记忆性能高1.1%
记忆池规模与性能增益呈正相关

局限与风险

未探索记忆精炼机制，直接使用原始推理轨迹生成记忆
检索仅基于任务描述相似度，未考虑任务结构特征
负迁移案例表明低抽象记忆可能导致错误行为模仿
实验限于文本编码任务，未验证其他模态场景

适合沉淀的概念

memory-transfer-learning, coding-agents, memory-abstraction, cross-domain-knowledge-transfer, self-evolving-agents, meta-knowledge-transfer, negative-transfer, memory-pool-construction

阅读注意

关注图4的t-SNE可视化：Insight嵌入跨域混合，体现任务无关性
表3案例显示：跨域Insight提供测试验证策略，避免零样本失败
附录C形式化建模：记忆效用=可迁移指导-领域失配惩罚
图3显示：89%收益来自元知识（工作流纪律、环境适应等），仅5.5%来自算法策略
表9负迁移案例：工作流记忆导致C++项目误用R语言模式

质量说明

采用来源：clean，papers/2026/04/2604.14004.md
生成模型：LongCat-Flash-Chat
源材料判断：论文材料完整，包含方法细节、实验结果、消融分析和理论建模，数据充分支持结论