EMG：把智能体纠错从反思循环改写为图匹配问题

导语

LLM 智能体在网页操作、虚拟环境和任务规划中越来越常见，但长程任务仍有一个老问题：前面一步判断失误，后续动作会不断偏离目标。传统做法通常让模型“反思”失败原因，再重新尝试；这种方式直观，却往往需要多轮调用和反复试错，成本高，也不稳定。

arXiv 论文《Experience Memory Graph: One-Shot Error Correction for Agents》提出的 EMG，试图把纠错从提示词驱动的自我反思，转为更结构化的图匹配问题。

核心要点

• 把轨迹变成图：EMG 在训练阶段将失败探索轨迹和专家成功轨迹转换为有向动作决策图。图中包含状态、观察与动作之间的关系，使“在哪种观察下做了什么”变得可比较。
• 从成功与失败的差异中学习纠错：通过匹配失败图和成功图，系统提取共同子图，也就是可复用的成功工作流；同时生成图编辑路径，指出应该新增、删除或重命名哪些动作。
• 构建可跨任务调用的记忆图：这些经验不会只停留在单个案例里，而是被存入包含任务内节点和跨任务边的记忆图，用于后续场景检索。
• 测试时只执行一次：不同于需要多轮反思和重试的方法，EMG 在测试阶段检索相关经验后直接指导智能体执行，强调“无循环”的一次性纠错。

意义与影响

EMG 的关键价值在于，它把“失败后该怎么改”从自然语言反思变成了可操作的结构化编辑路径。这可能让智能体在复杂环境中更容易复用经验，减少 API 调用和时间开销，也降低长程任务中错误滚雪球的风险。

论文在 ALFWorld 和 ScienceWorld 上报告称，EMG 在成功率和平均奖励方面持续优于当前反思类基线，并且不需要测试时试错。不过，这项工作仍主要基于模拟任务环境，其泛化能力、图构建成本以及在更开放真实任务中的稳定性，还需要更多验证。

总体看，EMG 代表了一条值得关注的方向：未来智能体记忆不一定只是文本笔记或经验总结，也可以是带有动作差异、失败修复路径和跨任务关联的结构化经验图。

来源：arXiv