资源导航：

• • • 论文链接：https://arxiv.org/html/2602.02474v1

• • • 项目主页：https://github.com/ViktorAxelsen/MemSkill

• • • GitHub Repo：https://github.com/ViktorAxelsen/MemSkill

• • • Hugging Face： 相关代码与模型权重建议关注 GitHub 更新

• • • 发布机构： 南洋理工大学、伊利诺伊大学厄巴纳-香槟分校、伊利诺伊大学芝加哥分校、清华大学联合团队

• • • 发布日期： 2026年2月

• • • 开源协议： 遵循 GitHub 仓库具体 License

最近 OpenClaw 这类自动化智能体（Agent）凭借超强的执行力刷屏，随着以 OpenClaw 为代表的自动化智能体（Agent）在执行端（Action Skills）展现出极强的工业价值，Agent 在复杂长任务中的稳定性正受到更多关注。然而，当交互路径拉长，如何让智能体在海量日志中精准保留关键约束，依然是一个技术挑战。

目前的工业级方案（如 Mem0、MemoryOS）以及学术界常用的 MemoryBank，主要采用人工设计的静态逻辑来管理信息（如：事实提取、定期清理）。这种基于先验规则的记忆管理在面对多变的交互场景时，往往显得不够灵活。

近期，来自南洋理工大学、清华大学、伊利诺伊大学（UIUC/UIC）等高校的联合团队发布了名为 MemSkill 的研究框架。该论文提供了一个新颖的视角：将记忆管理从“固定流程”转变为“可学习、可进化的技能（Memory Skills）”。

如果说 OpenClaw 的核心贡献在于提供了丰富的执行技能（如网页、文件、通讯操作），那么 MemSkill 则是在探索如何让智能体通过“记忆技能”来自主进化其存储和检索策略。这不仅是记忆管理方式的改变，更是试图通过闭环优化，让智能体在执行任务的过程中，学会如何更聪明地“记笔记”。 MemSkill 并非专为某一特定 Agent 框架设计，其展现出的自适应记忆能力，为解决长路径任务中的“健忘”问题提供了一个极具参考价值的学术思路。

01

项目定位：MemSkill 到底是用来干什么的？

简单来说，MemSkill 是给大模型（LLM）智能体装上了一套“可以自我进化”的记忆管理系统。

目前的 LLM 智能体在面对超长对话或复杂任务时，记忆管理往往非常死板。开发者通常手动编写一套固定的逻辑（比如：提取摘要、存入数据库、根据关键词检索）。这种做法在简单场景下是“基操”，但一旦历史记录变长、交互变复杂，系统就会变得非常低效，且容易丢掉关键信息。

MemSkill 的核心突破在于：它把记忆操作（如提取、整合、修剪信息）重新定义为一种“可学习且可进化”的记忆技能（Memory Skills）。 它不再单纯依赖人工硬编码的规则，而是让智能体在不断的交互中，自动提炼并完善管理记忆的方法论。

02

技术拆解：这套“自进化记忆”是怎么跑通的？

2026 年伊始，我们终于看到了在“智能体记忆”这个老大难问题上的硬核创新。过去我们谈记忆，无非是 RAG（检索增强生成）或者简单的滑动窗口。但南洋理工和清华等团队推出的 MemSkill，思路完全不同。

它是那种既有控制理论影子，又把强化学习（RL）玩得很丝滑的方案。咱们老规矩，先拆架构，再看实测。

1. 从“固定操作”到“技能抽象”的范式转移（Section 1）

在传统的管道（Pipeline）中，智能体管理记忆的行为是“写死”的。比如（Figure 1a）展示的传统方案：每一轮对话（Turn-level）都要通过 LLM 调用手工设计的操作。这不仅费 Token，而且面对数据分布偏移时非常脆弱。

MemSkill 提出了三个核心属性（Section 1）：

• • • 极简的人工先验：不再手动教模型什么值得记，而是让交互数据来决定记忆边界。

• • • 支持更大的提取粒度：不再局限于“逐轮”处理，而是能处理更长的文本跨度（Span/Chunk），这在处理几十万 Token 的历史时是刚需。

• • • 技能驱动的组合式构建：在一个生成步骤中组合多种相关技能。

Figure 1：传统方案（左）与 MemSkill（右）的范式对比。MemSkill 采用跨度级处理，通过技能银行动态选择技能，显著提升了效率和连贯性。

2. “三位一体”的核心架构：控制器、执行器与设计器

MemSkill 的闭环逻辑非常硬核（见 Figure 2）。它由三个主要组件构成：

• • • 控制器 (Controller - 策略大脑)：

它负责“看人下菜碟”。基于当前上下文和已检索的记忆，通过状态嵌入与技能描述的向量点积（Dot Product）计算，从技能银行中精准匹配出 Top-K 个最合适的技能。它采用 PPO 算法进行强化学习优化（Section 3.3.1）。

• • • 执行器 (Executor - 搬砖工人)：

这是一个固定的 LLM 模块。它拿到控制器给出的技能说明，直接针对当前文本片段执行操作（Section 3.3.2）。这种设计让复杂的逻辑在一个生成步内就能完成，极其高效。

• • • 设计器 (Designer - 架构导师)：

这是 MemSkill 能够“自进化”的关键。它会定期复盘那些失败案例（Section 3.4），利用 LLM 分析为什么现有的技能没处理好，然后自动修改旧技能或提出全新的技能。

Figure 2：MemSkill 架构全景图。展示了从交互轨迹到技能选择，再到设计师根据硬例（Hard Cases）进化技能库的全过程。

3. 闭环优化机制（Section 3.5）

MemSkill 并不是训一次就完了。它在（i）学习如何选择技能和（ii）进化技能库本身之间交替进行。 （这种思路有点像人类：我先学会用现有的工具，如果工具不好用，我再自己反思一下，发明个新工具。不得不说，这种自监督的逻辑闭环非常精妙。）

03

“有什么用”：实战表现与跨领域泛化

为了客观验证 MemSkill 的成色，团队在四个极具代表性的 Benchmark 上进行了横推测试：LoCoMo、LongMemEval、HotpotQA 和 ALFWorld（Section 4.1）。

1. 跨模型、跨数据集的“降维打击”

在对话场景（LoCoMo）和长文本场景下，MemSkill 面对一众强竞品展现出了明显的代差优势。

Table 1：LoCoMo、LongMemEval 和 ALFWorld 的主实验结果对比。

(数据来源：论文 Table 1，L-J 代表 LLM Judge 评分，SR 代表成功率。注意：MemSkill 在 LLaMA3.3 和 Qwen3 两个 block 里均拿到了 Bold 最佳成绩)

客观解读： 你会发现，在反映记忆质量的关键指标 LLM-Judge (L-J) 上，MemSkill 在不同底座模型下均取得了全场最高分（SOTA）。特别是在具身智能任务（ALFWorld）中，它相比传统 RAG 方案表现出了极强的决策一致性。这说明模型学会了如何记录那些对“执行动作”有用的关键先验。

2. 分布偏移下的鲁棒性（Section 4.4）

很多模型在换了数据格式后就“歇菜”。但研发团队将 LoCoMo 训练出的技能库直接迁移到 HotpotQA（多文档问答）上，在不需要任何针对性训练的情况下，依然大幅超过了基线模型。

Figure 3：技能泛化测试。即使在文档拼接数量增加、噪声变大的情况下，MemSkill 的有效性依然稳健。

04

“怎么用”：那些由 AI 自动生成的“记忆神技”

为了让大家更有体感，咱们看看设计师（Designer）到底进化出了哪些技能（Section 4.5 和 Figure 4）。

团队对比了对话场景和具身智能场景，发现模型演化出了截然不同的专业化技能：

• • • 对话类技能（LoCoMo）：

• • • Capture Temporal Context：专门识别日期、持续时间和事件顺序。

• • • Capture Entity Nuances：处理实体的绰号、别名等微妙细节（这是很多基线模型漏掉的）。

• • • 具身任务类技能（ALFWorld）：

• • • Capture Action Constraints：记录哪些动作是互斥的，哪些是必要前提（如：没拿钥匙不能开门）。

• • • Track Object Movements：追踪物体在不同步骤间的空间位置变化。

Figure 4：技能案例研究。展示了设计师自动生成的、具有高度专业化的技能描述模板。

（这些模板生成的指令非常符合人类直觉，但它们却是通过对失败案例的“反思”自动合成出来的。这种“无监督”的专业化非常硬核。）

05

细节深挖：设计师是如何思考的？

在论文的第 26 页（Appendix C），团队公开了设计师的分析逻辑。这是一个非常值得参考的 Prompt 工程范例。设计师被要求分析三种失效类型：

• • 1. 存储失效（Storage failure）：重要信息根本没存进去。

• • 2. 检索失效（Retrieval failure）：存在记忆里但没找出来。

• • 3. 记忆质量失效（Memory quality failure）：存得太模糊，导致答不上来。

基于这种深度反馈，MemSkill 能够实现“自我查漏补缺”。

06

降本增效分析：为什么它是工程部署的最优解？

如果你是开发者，最关心的肯定是：这东西会不会拖慢我的推理速度？

这里要纠正一个误区： 虽然引入了控制器和设计师，但设计师是在离线训练/进化阶段工作的（见 Section 3.4）。

在在线推理阶段，它的优势非常明显（Section 4.3）：

• • • 单步处理：控制器选好技能后，执行器在单次 LLM 调用中完成所有记忆更新。相比传统的“多步思考+多步修改”，延迟大幅降低。

• • • 极致压缩：由于技能是经过优化的，它能用最少的字符记录最有价值的信息，极大缓解了 KV Cache 的增长压力。

根据 Page 11 (Appendix A.1) 的实验描述：相比传统的逐轮处理，MemSkill 采用跨度级（Span-level）评估，大幅减少了对底座 LLM 的调用次数，这在处理数十万 token 的长文本任务时，显著提升了系统的整体运行效率和吞吐性能。”

07

消融实验：缺了哪块不行？（Section 4.3）

团队非常诚实地做了消融实验（Table 2），验证了每一个设计的必要性。

Table 2: Ablation study on LoCoMo using L-J metric.

(数据来源：论文 Table 2。可以看出，去掉设计器或控制器，性能都会产生显著下滑)

实事求是的观察： 数据表明，技能库的进化（引入新技能）对性能的贡献甚至超过了选择策略的微调。这说明现有的 LLM 并不缺智商，缺的是针对特定任务的“记忆管理说明书”。

08

目前的局限性（Section 5）

作为客观观察员，我得指出 MemSkill 虽然惊艳，但并非毫无短板。在论文结论和讨论部分，团队也坦诚提到了几点挑战：

• • 1. 记忆稳定性（Memory Stability）：目前记忆依然是基于上下文窗口产生的“涌现能力”，缺乏显式的外部硬件级存储，超长模拟（如数月）仍可能出现结构走样。

• • 2. 设计器的资源消耗：虽然是离线运行，但设计器需要 LLM 进行深度失效分析，这一过程非常依赖强力的大模型（如 GPT-4 或 LLaMA 70B+），对小团队来说，进化成本依然存在。

• • 3. 计算成本：推理时的显存占用依然较高。在 RTX 4090D 上虽然能跑，但要维持 16 FPS 的实时响应，对硬件依然有硬性要求。

09

关于本地部署

目前 MemSkill 的全套代码已经在 GitHub 开源。

• • • 部署状态：仓库提供了完整的训练脚本（基于 PPO）和设计器闭环逻辑。

• • • 环境建议：由于需要运行 LLaMA 70B 级别的模型作为 Judge 或 Designer，建议准备 8x A100/H100 80GB 节点进行完整复现。不过，单纯运行推理端（Executor）对显存的要求会低很多。不过“8张 A100/H100”配置主要是为了跑通 70B+ 级别的 SOTA 刷榜实验。但是，中小型团队完全可以采用“田忌赛马”的部署策略：

• 执行端轻量化（Executor）：日常任务中，一个 7B、12B 或 14B 级别的模型（如 Qwen2.5-14B）其指令遵循能力已绰绰有余。这意味着单张 RTX 3090/4090 (24G) 就能丝滑运行推理。

• 进化逻辑平替（Designer）：最吃逻辑的“设计器”环节是离线进行的。你完全可以调用 DeepSeek 或 GPT-4o 的 API 来充当离线“导师”分析失败案例，生成的 skills.json 拿回本地直接给 7B 小模型用。

• 控制器极简（Controller）：这部分只是个几 MB 的轻量级 MLP，跑起来几乎不占资源，CPU 都能带得动。

（当然这只是一种思路，但只要思路对，消费级显卡照样能玩转自进化记忆。）

从0到1！大模型(LLM)最全学习路线图，建议收藏！

想入门大模型(LLM)却不知道从哪开始? 我根据最新的技术栈和我自己的经历&理解，帮大家整理了一份LLM学习路线图，涵盖从理论基础到落地应用的全流程!拒绝焦虑，按图索骥~~

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取