一份名为ExpGraph的预印本于2026年5月29日发布在arXiv上，主张一种基于大型语言模型的代理可以积累可重复使用的经验，而无需修改执行模型的任何参数——该模型保持冻结和可互换。该论点将问题转向AI预算：是投资于更强大的模型，还是投资于一个可携带的外置记忆层，可以从一个执行器转移到另一个？这一框架由与伊利诺伊大学厄巴纳-香槟分校、南洋理工大学和Meta Monetization AI相关的十一位研究人员签署。此论文分类为自然语言处理(cs.CL在arXiv上)，在上线时尚未经过同行评审；其结果由作者声明。
图传播和RL副驾：ExpGraph的机制
ExpGraph将代理的历史轨迹总结为可重复利用的技能和失败经验，并将其组织为自我演化的经验图中的节点。恢复过程结合了图传播和效用排序；一个由强化学习（RL）训练的轻量副驾选择要注入的经验，奖励信号为执行器有无恢复经验的性能差距。作者中包括图神经网络专家Jiaxuan You（GraphSAGE, Open Graph Benchmark），为框架的图传播部分提供了技术可信度。在经验层面，作者在预印本中宣称在静态任务上根据执行器的大小取得了12.2%和4.7%的提升，在包括ALFWorld的代理环境中取得了21.4%和12.7%的提升，ALFWorld是一个已成为代理评估标准的家庭模拟环境（其它环境的详细信息在摘要中不可访问）。然而，评估基于ExpSuite，这是作者自己设计的一个基准测试协议，摘要中未提及比较基准——只有在完整阅读论文后才能了解。
自家基准，未命名比较基准
ExpGraph声称的性能提升是在ExpSuite上测量的，这是由论文作者设计的一个评估协议。预印本中未提及比较基准。这些结果尚未经过同行评审——在进行任何推广之前需谨慎对待。
活跃的学术血脉，已经经过同行评审
ExpGraph属于LLM代理经验学习的研究系列，其中一些已经通过同行评审。两个被ICLR 2026接收的论文——这是机器学习三大国际会议之一——特别具有可比性。NAVER LABS Europe在Meylan发表了Retrieval-Augmented LLM Agents: Learning to Learn from Experience，其认为“对于通用代理来说，实现对未知任务的强泛化仍是一个主要挑战”（自由翻译）。同一会议还接受了From Experience to Strategy，其提出了“一个基于奖励引导的可训练多层图形记忆框架”（自由翻译），并配有权重优化。平列表达经验的过渡——这一历史上与先前框架相关的范式，包括ExpeL（AAAI 2024）——向图形结构的转变因此不是新的；它已经通过学术审阅得到了运用和验证。该领域并不是空白：ExpGraph作为变体加入其中，而不是突破，并且目前是三者中唯一没有得到外部验证的。
三篇关于代理记忆的当代论文
| 论文 | 机构 | 状态 | 记忆方法 |
|---|---|---|---|
| Retrieval-Augmented LLM Agents | NAVER LABS Europe | ICLR 2026 - 已经同行评审 | 经验丰富的RAG |
| From Experience to Strategy | 未指定 | ICLR 2026 - 已经同行评审 | 可训练图形记忆（RL） |
| ExpGraph | UIUC + NTU + Meta Monetization AI | arXiv预印本 - 未经过同行评审 | 结构化经验图 |
外部记忆或更强大的模型：两个不同的赌注
由UIUC、NTU和Meta Monetization AI团队签署的ExpGraph提案包含其作者主张的架构性论点：在收集到的经验上进行微调确实提高了重用性，但一旦出现更强大或更合适的执行器，就会变得不灵活。预印本中捍卫的结果是累积的知识必须存在于模型之外，以便在模型更改时保持可移植性。Anthropic的路径展示了相反的赌注：增强模型，以便代理收益随其一同迁移——从为编程优化的Claude代理到在2026年5月28日宣布的Claude Opus 4.8，具有一个公认的限制：这些收益无法在模型更换后存活。第三种更边缘的变体则进一步将重心转移到模型的自我改进架构上，目前仍处于工业实验室的探索阶段。到目前为止，没有发布的实证工作解决这一争议：三种方法共存，而建筑转移的开放性问题仍然是竞争论文的论点，而不是独立的基准结果。
已经存在的生产栈，但基于不同的原则
除了学术路径，代理记忆的生产生态系统在2025年已经巩固。Mem0在10月获得了由Y Combinator、Peak XV和Basis Set的2400万美元融资，根据其筹资轮次声称其GitHub星数已超过41,000，Python包下载量突破1300万次，并与Letta和Supermemory一起被开发者所采用。根据Mem0提出的数据显示，其API调用量从2025年前三个季度的约3500万增加到1.86亿，这与ExpGraph共享了外部记忆不更改模型的理念，但并没有依赖于通过传播和强化学习引导的自我演化图。这个区别不容忽视：生产栈如今寻求的是在会话间的可移植性和持久性；而学术栈则旨在推广到未知任务。到2026年底可观察的信号：ExpGraph在ExpSuite之外的第三方代理基准上获得的可重复性，以及Mem0 API调用的路径——这将说明生产栈是否已整合了自我演化图的原始技术。
三季度内API调用从3500万增长到1.86亿
Mem0在2025年前九个月的进展说明了工业对外部记忆层的真实需求，独立于关于最佳架构的学术辩论。