尧图网站建设 
ReMe Tool Memory论文拆解:基于ReMe的经验驱动Agent工具使用方法【免费下载链接】ReMeReMe: Memory Management Kit for Agents - Remember Me, Refine Me.项目地址: https://gitcode.com/GitHub_Trending/me/ReMe本文将拆解一篇基于ReMe 智能体记忆管理框架的最新工作ExpG(arXiv:2608.03403):它把历史工具调用当作可学习的经验,通过 ReMe 的Tool Memory(工具记忆)能力进行挖掘、蒸馏与复用,为 Agent 提供工具的能力边界与最佳实践指导,让小模型经验跑赢大模型裸奔。ReMe 的定位是Agent 的记忆管理套件(Remember Me, Refine Me):负责记忆的写入、检索、整理与服务化,为上层应用提供向量存储和 HTTP/MCP 接口。而 ExpG 论文关注的是一个更具体的痛点——Agent 到底怎么用对工具。一、论文要解决什么问题:Agent 工具使用的三大陷阱Agent 调工具翻车,通常只有三种原因:选错工具:任务需要扳手,却拿了锤子;用法不对:工具没错,但参数、时机、依赖关系处理错了;工具本身不合适:这个任务根本不适合用该工具。论文用一张图直观概括了这三种失败模式,并展示了 ExpG 的解法:为每个工具沉淀一份使用说明书式的指导(guidance),在下一次调用前注入给 Agent。传统做法(Few-shot 示例、DRAFT、Mem0 等通用记忆方案)对工具调用的帮助有限,因为它们的记忆是扁平的:把原始对话或原始调用堆进向量库,检索出来的内容噪声大、不可执行。ExpG 的核心思想是——记忆不是越多越好,要蒸馏成可复用的经验。二、ExpG 三阶段流水线:获取、蒸馏、复用ExpG 把工具调用视为可学习经验,整条流水线分三步:1. 经验获取(Experience Acquisition)从历史工具调用轨迹中分析每次调用的质量:成功与否、耗时、token 成本、参数模式、返回内容,然后按工具聚合为结构化的经验单元。2. 经验蒸馏(Experience Distillation)过滤噪声与无效经验,只保留有代表性的调用模式;用等价类视角聚合经验,同时覆盖常见模式与稀有失败模式;由 LLM 把经验总结成可泛化的文本指导,输出四段式结构:Core Function:这个工具做什么、什么时候该用;Success Patterns:哪些参数模式和场景下好用;Common Issues:常见坑及其失败原因;Best Practices:2-3 条可执行建议。3. 经验复用(Experience Reuse)在后续任务中,按当前要用的工具名检索对应 guidance,注入到工具选择、参数生成、响应整理三个环节,让 Agent 在动态环境和不完美的反馈下依然保持稳定。 一句话理解:ExpG 让 Agent 像熟练工人一样,用过的工具都留有笔记,下次开工前先翻笔记。三、ReMe Tool Memory 的三个关键接口ReMe 在论文中扮演记忆基础设施角色,提供向量存储与服务接口,ExpG 只实现策略。核心是三个 HTTP 接口,摘录自仓库配置 tool_memory_flows.yaml:接口作用流水线位置add_tool_call_result写入并评估单次工具调用结果,创建/更新该工具的记忆经验获取summary_tool_memory分析工具调用历史,生成使用模式与最佳实践指导经验蒸馏retrieve_tool_memory按工具名从向量库检索记忆,返回 usage guidance经验复用三个接口背后的调用链路是:add_tool_call_resultparse_tool_call_result_op→update_vector_store_op(先评估打分,再入库);summary_tool_memorysummary_tool_memory_op→update_vector_store_op(先 LLM 总结,再回写);retrieve_tool_memoryretrieve_tool_memory_op(向量检索)。仓库内提供了一个轻量 HTTP 客户端参考实现 tool_memory.py,封装了上述三个接口及先蒸馏再检索的collect_memory组合调用。如果想了解 ReMe 的检索原理,可继续阅读官方文档 docs/zh/memory_search.md。四、评估与蒸馏的两个核心 Prompt 设计这是论文最有工程味的部分,两个 prompt 在仓库里可直接查看:① 单次调用评估 prompt(parse_tool_call_result_prompt.yaml)采用10 分制逐项打分(每项 0/1),覆盖三个维度:使用质量(2 分):该不该现在调?选的工具对不对?输入质量(4 分):必填参数齐不齐?参数合法吗?格式对吗?取值与上下文匹配吗?响应质量(4 分):返回内容有没有用?符合工具本意吗?与输入匹配吗?有助于完成任务吗?细节设计很考究:系统类工具(mkdir、echo 等)无返回时响应分不扣分;执行成功(success_flag1)不等于调用质量高,两者独立评估。② 历史总结 prompt(summary_tool_memory_prompt.yaml)约束 LLM 基于真实调用历史生成不超过 200 字的 guidance,并有一条自校验规则:生成的指导必须能解释全部历史调用,否则继续修订。这避免了从个别案例推出以偏概全的错误指导,也刻意避免写出 case #3 这类只对单次调用有意义的内容。五、实验结果:带经验指导的小模型跑赢无记忆大模型论文在 MetaTool、API-Bank、BFCL-V3 三个工具调用基准上,对比了 No Method / Few-shot / DRAFT / Mem0 / ExpG 五种方案(完整表格见 benchmark/toolmemory/README_ZH.md)。综合 Pass1 关键结论:模型无方法最佳对照ExpGGPT-5 nano70.8273.98(Mem0)79.32DeepSeek-V378.9280.70(Mem0)82.76Qwen3-8B74.4676.91(Few-shot)81.06Qwen3-235B78.13—85.29三个值得注意的发现:ExpG 在所有模型、所有基准上均为组内最优,且对 GPT-5 nano 这类小模型提升最显著(8.5 个百分点),说明经验指导能部分弥补模型能力差距;收益贯穿工具选择、工具调用、响应生成三个环节,不是单点优化;相比 Mem0 这类堆原始记忆的方案,ExpG 的差距在工具调用环节拉开最大——因为蒸馏后的 guidance 直接针对怎么调对工具。六、快速上手:仓库中的参考文件ReMe 仓库在benchmark/toolmemory/目录下归档了该论文的参考片段,不需要读论文也能把方法跑通一遍:文件说明benchmark/toolmemory/README_ZH.md机制概览 完整实验结果表benchmark/toolmemory/tool_memory.pyTool Memory 三接口 HTTP 客户端benchmark/toolmemory/tool_memory_flows.yamlflow / op 配置,理解接口内部链路benchmark/toolmemory/parse_tool_call_result_prompt.yaml10 分制调用评估 promptbenchmark/toolmemory/summary_tool_memory_prompt.yaml历史调用蒸馏为 guidance 的 prompt使用方式上:启动 ReMe 的 Tool Memory 服务 → 把历史工具调用通过add_tool_call_result持续写入 → 定期summary_tool_memory蒸馏 → 在 Agent 下一次推理前用retrieve_tool_memory取回指导注入上下文。记忆文件本身也可以在 ReMe Studio 工作区中直观浏览和管理:总结:这篇论文给了普通用户什么启发记忆要加工:原始调用记录是原材料,蒸馏后的工具使用指导才是可直接注入的知识;给每个工具建档案:Core Function / Success Patterns / Common Issues / Best Practices 四段式结构,可直接迁移到你自己的 Agent 工程;评估先于总结:10 分制逐项打分过滤噪声经验,保证蒸馏输入质量;ReMe 提供地基,策略自己长:向量存储、服务接口、flow/op 编排由框架负责,经验获取与复用策略留给应用层,这种分层让经验驱动的工具使用成为可复用的工程模式。【免费下载链接】ReMeReMe: Memory Management Kit for Agents - Remember Me, Refine Me.项目地址: https://gitcode.com/GitHub_Trending/me/ReMe创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 ReMe Tool Memory论文拆解:基于ReMe的经验驱动Agent工具使用方法
ReMe Tool Memory论文拆解:基于ReMe的经验驱动Agent工具使用方法【免费下载链接】ReMeReMe: Memory Management Kit for Agents - Remember Me, Refine Me.项目地址: https://gitcode.com/GitHub_Trending/me/ReMe本文将拆解一篇基于ReMe 智能体记忆管理框架的最新工作ExpG(arXiv:2608.03403):它把历史工具调用当作可学习的经验,通过 ReMe 的Tool Memory(工具记忆)能力进行挖掘、蒸馏与复用,为 Agent 提供工具的能力边界与最佳实践指导,让小模型经验跑赢大模型裸奔。ReMe 的定位是Agent 的记忆管理套件(Remember Me, Refine Me):负责记忆的写入、检索、整理与服务化,为上层应用提供向量存储和 HTTP/MCP 接口。而 ExpG 论文关注的是一个更具体的痛点——Agent 到底怎么用对工具。一、论文要解决什么问题:Agent 工具使用的三大陷阱Agent 调工具翻车,通常只有三种原因:选错工具:任务需要扳手,却拿了锤子;用法不对:工具没错,但参数、时机、依赖关系处理错了;工具本身不合适:这个任务根本不适合用该工具。论文用一张图直观概括了这三种失败模式,并展示了 ExpG 的解法:为每个工具沉淀一份使用说明书式的指导(guidance),在下一次调用前注入给 Agent。传统做法(Few-shot 示例、DRAFT、Mem0 等通用记忆方案)对工具调用的帮助有限,因为它们的记忆是扁平的:把原始对话或原始调用堆进向量库,检索出来的内容噪声大、不可执行。ExpG 的核心思想是——记忆不是越多越好,要蒸馏成可复用的经验。二、ExpG 三阶段流水线:获取、蒸馏、复用ExpG 把工具调用视为可学习经验,整条流水线分三步:1. 经验获取(Experience Acquisition)从历史工具调用轨迹中分析每次调用的质量:成功与否、耗时、token 成本、参数模式、返回内容,然后按工具聚合为结构化的经验单元。2. 经验蒸馏(Experience Distillation)过滤噪声与无效经验,只保留有代表性的调用模式;用等价类视角聚合经验,同时覆盖常见模式与稀有失败模式;由 LLM 把经验总结成可泛化的文本指导,输出四段式结构:Core Function:这个工具做什么、什么时候该用;Success Patterns:哪些参数模式和场景下好用;Common Issues:常见坑及其失败原因;Best Practices:2-3 条可执行建议。3. 经验复用(Experience Reuse)在后续任务中,按当前要用的工具名检索对应 guidance,注入到工具选择、参数生成、响应整理三个环节,让 Agent 在动态环境和不完美的反馈下依然保持稳定。 一句话理解:ExpG 让 Agent 像熟练工人一样,用过的工具都留有笔记,下次开工前先翻笔记。三、ReMe Tool Memory 的三个关键接口ReMe 在论文中扮演记忆基础设施角色,提供向量存储与服务接口,ExpG 只实现策略。核心是三个 HTTP 接口,摘录自仓库配置 tool_memory_flows.yaml:接口作用流水线位置add_tool_call_result写入并评估单次工具调用结果,创建/更新该工具的记忆经验获取summary_tool_memory分析工具调用历史,生成使用模式与最佳实践指导经验蒸馏retrieve_tool_memory按工具名从向量库检索记忆,返回 usage guidance经验复用三个接口背后的调用链路是:add_tool_call_resultparse_tool_call_result_op→update_vector_store_op(先评估打分,再入库);summary_tool_memorysummary_tool_memory_op→update_vector_store_op(先 LLM 总结,再回写);retrieve_tool_memoryretrieve_tool_memory_op(向量检索)。仓库内提供了一个轻量 HTTP 客户端参考实现 tool_memory.py,封装了上述三个接口及先蒸馏再检索的collect_memory组合调用。如果想了解 ReMe 的检索原理,可继续阅读官方文档 docs/zh/memory_search.md。四、评估与蒸馏的两个核心 Prompt 设计这是论文最有工程味的部分,两个 prompt 在仓库里可直接查看:① 单次调用评估 prompt(parse_tool_call_result_prompt.yaml)采用10 分制逐项打分(每项 0/1),覆盖三个维度:使用质量(2 分):该不该现在调?选的工具对不对?输入质量(4 分):必填参数齐不齐?参数合法吗?格式对吗?取值与上下文匹配吗?响应质量(4 分):返回内容有没有用?符合工具本意吗?与输入匹配吗?有助于完成任务吗?细节设计很考究:系统类工具(mkdir、echo 等)无返回时响应分不扣分;执行成功(success_flag1)不等于调用质量高,两者独立评估。② 历史总结 prompt(summary_tool_memory_prompt.yaml)约束 LLM 基于真实调用历史生成不超过 200 字的 guidance,并有一条自校验规则:生成的指导必须能解释全部历史调用,否则继续修订。这避免了从个别案例推出以偏概全的错误指导,也刻意避免写出 case #3 这类只对单次调用有意义的内容。五、实验结果:带经验指导的小模型跑赢无记忆大模型论文在 MetaTool、API-Bank、BFCL-V3 三个工具调用基准上,对比了 No Method / Few-shot / DRAFT / Mem0 / ExpG 五种方案(完整表格见 benchmark/toolmemory/README_ZH.md)。综合 Pass1 关键结论:模型无方法最佳对照ExpGGPT-5 nano70.8273.98(Mem0)79.32DeepSeek-V378.9280.70(Mem0)82.76Qwen3-8B74.4676.91(Few-shot)81.06Qwen3-235B78.13—85.29三个值得注意的发现:ExpG 在所有模型、所有基准上均为组内最优,且对 GPT-5 nano 这类小模型提升最显著(8.5 个百分点),说明经验指导能部分弥补模型能力差距;收益贯穿工具选择、工具调用、响应生成三个环节,不是单点优化;相比 Mem0 这类堆原始记忆的方案,ExpG 的差距在工具调用环节拉开最大——因为蒸馏后的 guidance 直接针对怎么调对工具。六、快速上手:仓库中的参考文件ReMe 仓库在benchmark/toolmemory/目录下归档了该论文的参考片段,不需要读论文也能把方法跑通一遍:文件说明benchmark/toolmemory/README_ZH.md机制概览 完整实验结果表benchmark/toolmemory/tool_memory.pyTool Memory 三接口 HTTP 客户端benchmark/toolmemory/tool_memory_flows.yamlflow / op 配置,理解接口内部链路benchmark/toolmemory/parse_tool_call_result_prompt.yaml10 分制调用评估 promptbenchmark/toolmemory/summary_tool_memory_prompt.yaml历史调用蒸馏为 guidance 的 prompt使用方式上:启动 ReMe 的 Tool Memory 服务 → 把历史工具调用通过add_tool_call_result持续写入 → 定期summary_tool_memory蒸馏 → 在 Agent 下一次推理前用retrieve_tool_memory取回指导注入上下文。记忆文件本身也可以在 ReMe Studio 工作区中直观浏览和管理:总结:这篇论文给了普通用户什么启发记忆要加工:原始调用记录是原材料,蒸馏后的工具使用指导才是可直接注入的知识;给每个工具建档案:Core Function / Success Patterns / Common Issues / Best Practices 四段式结构,可直接迁移到你自己的 Agent 工程;评估先于总结:10 分制逐项打分过滤噪声经验,保证蒸馏输入质量;ReMe 提供地基,策略自己长:向量存储、服务接口、flow/op 编排由框架负责,经验获取与复用策略留给应用层,这种分层让经验驱动的工具使用成为可复用的工程模式。【免费下载链接】ReMeReMe: Memory Management Kit for Agents - Remember Me, Refine Me.项目地址: https://gitcode.com/GitHub_Trending/me/ReMe创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考