UC Berkeley 等机构论文提出通过定期清空 Agent 记忆提升发现任务成绩

UC Berkeley、Stanford 与 Bespoke Labs 的论文提出在每个 session 结束后清空 Agent 候选历史，仅保留迄今最优结果并从该结果继续研究。在同一模型和 token 预算下，该方法在 4 个发现类任务中比单个 Agent 最高提升 39%，比并行多 Agent 最高提升 15%，论文编号为 arXiv 2610.20563。