微软M*：自进化的记忆Harness

你有没有想过为什么AI聊天时用向量检索记忆就够了但让它规划家务时它需要的竟然是SQL数据库这不是脑洞。香港城市大学和微软的最新论文M★给出了硬证据——不同任务最优的记忆架构Harness完全不同而让AI自己进化出最适合的记忆代码比人类手工设计的效果好得多。一刀切的记忆模块是错的当前主流做法是给AI配一个固定的记忆系统——通常是向量数据库存文本、取文本。但论文发现这种万能记忆在7/8个测试配置上都被M★击败了。原因很简单不同任务对记忆的需求根本不一样。聊天场景需要语义搜索向量检索刚好合适。但做家务规划时AI需要精确追踪哪个房间的灯已经关了——这时候SQL的结构化查询远比模糊的向量匹配管用。医疗问答又不一样它需要从对话中提取结构化字段症状、药物、剂量然后按字段做精确比对。M★怎么做到的M★的核心思路是不让人类设计记忆系统让AI自己写代码。具体来说它把记忆管理表达成Python程序——包含记忆的读写接口、存储结构和检索逻辑。然后通过进化循环不断改写先在训练任务上跑一遍看哪里出错了再反思哪里不好修改代码重新测试。几轮下来每个任务都进化出了完全不同的记忆程序。ALFWorld家务任务进化出了带缓存的SQL读写器LoCoMo长对话进化出了向量关系表的混合架构HealthBench医疗问答进化出了结构化信息提取字段匹配器。效果有多好在四个基准上M★在7/8个配置中超越了所有基线。特别注意这些基线包括人类精心设计的记忆方案。M★没有使用任何特定领域的先验知识——它只是被要求写一个记忆管理程序然后通过反思和迭代自己找到了最优解。这意味着什么这篇论文真正有价值的不是M★本身而是它揭示的事实通用记忆是一个伪命题。我们一直在寻找一个万能的记忆架构但证据表明最优解永远是任务定制的。好消息是不需要人类一个个去设计——AI可以通过代码进化自己找到最适合的方案。这对所有做AI Agent的人来说都是一个提醒与其纠结用什么向量数据库不如想想我的任务到底需要什么样的记忆结构。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】