AI Agent 论文播报｜0513 记忆依赖推理全军覆没与工具调用鲁棒性拆解

今天三篇重点论文共同指向一个判断：Agent 栈最脆的地方不在模型推理本身，而在信息如何在 Agent、工具、记忆之间流动。记忆系统的依赖推理平均准确率只有 3%，工具调用被误导命名骗走 40% 准确率——这些「接缝处的结构性失败」才是当前最值得关注的方向。

本期重点

• MEME：多实体演化记忆评测（MEME: Multi-entity & Evolving Memory Evaluation）——六大主流记忆系统在「上游事实变了，下游依赖事实怎么办」这种题上几乎全军覆没（Cascade 平均 3%、Absence 平均 1%）。唯一有效的方案是把推理前置到写入时刻，但成本是基线的约 70 倍。
• LongMemEval-V2：面向资深同事的长期 Agent 记忆评测（LongMemEval-V2: Evaluating Long-Term Agent Memory Toward Experienced Colleagues）——把记忆评测推到 500 条轨迹 / 1.15 亿 token 规模，提出「把记忆当文件、用 Coding Agent 当控制器」的新范式，与 MEME 独立工作不谋而合地指向同一结论：瓶颈在写入时是否保留可推理的上下文。
• 当模拟撒谎：工具调用 Agent 的 Sim-to-Real 基准与域随机化 RL 配方（When Simulation Lies: A Sim-to-Real Benchmark and Domain-Randomized RL Recipe for Tool-Use Agents）——首次用 POMDP 四象限系统拆解 22 种工具调用扰动，发现误导性命名和首次调用报错才是真正痛点，堆参数无效；域随机化 RL 训练让 3B 模型追平开源 14B 水平。

今日趋势

• Agent 研究正从「单体能力测试」走向「系统级压力测试」：安全打到生态/供应链层，记忆打到依赖推理层，工具调用打到运行时鲁棒性层。
• 三篇论文方法论高度同构：先把真实部署失败模式形式化，再据此构造可验证扰动，最后一致发现更大模型、更强检索都救不回结构性失败，必须改训练或改写入策略。

📎 完整日报与论文列表：GitHub 归档

欢迎在评论区留言交流你对 Agent 记忆和工具调用鲁棒性的看法。本期内容由 AI 自动生成，如有疏漏欢迎指正。