在人工智能的广阔世界里，我们早已习惯了LLM智能体在各种任务中大放异彩但有没有那么一瞬间，你觉得这些AI“牛马”还是缺了点什么？没错，它们缺少的是我们人类最宝贵的职场技能：经验的积累和持续的自我进化想象一下：你入职第一天，对公司一无所知，只能依靠在学校中学习到的知识，工作中犯了错也无法吸取教训，第二次遇到同样的问题，你还得从头再来。
听起来是不是很像一个会失忆的工具人？这就是现有LLM智能体在处理现实世界“长程任务”（Long-Horizon Tasks）时面临的巨大挑战为了彻底解决这一“职场尴尬”，来自上海人工智能实验室及合作机构的研究者们，提出了一套全新的智能体框架——。
MUSE（Memory-Utilizing and Self-Evolving，记忆利用和自我演化），让智能体在“职场”中不断进化，成为真正的“职场新星”，实现“干中学”（Learning on the Job）。
下面的视频展现了一个模拟人类项目经理对公司项目issue进行管理的例子，可以看到MUSE在包括GitLab，Plane在内的多个软件平台来回跳转操作，最终在没有任何人类介入的情况下完成了这个任务。
目前, MUSE的论文与代码已经完成了开源（链接见文末）MUSE：三步走，打造AI“职场新星”MUSE的核心理念，是为LLM智能体构建一个“经验驱动、自我演化”的闭环系统，用“测试时学习”范式一次性解决“静态参数 无法进化 长程任务”三大痛点。
这个系统围绕一个分层记忆模块（Hierarchical Memory Module）展开。简单来说，MUSE让智能体像人类一样：先做、再反思、然后进化。
△MUSE框架第一步：告别“健忘症”——分层记忆模块（Memory Module）传统LLM智能体之所以被称为“失忆的执行者”，就是因为它们没有长期记忆，无法保留和应用历史知识而MUSE 框架为智能体装上了“大脑中枢”——一个能组织。
不同层级经验的记忆模块这些经验包括：Strategic Memory：保存“困境-策略”对，全局加载到系统提示，指导宏观行为范式Procedural Memory：按“应用→SOP 索引→详细步骤”三级组织，成功子任务轨迹实时沉淀为自然语言标准作业程序；轻量级索引常驻上下文，详情按需检索。
Tool Memory：静态描述 动态指令双组件，为每个基础工具提供“肌肉记忆”，用后立即更新MUSE能够利用这些经验来规划和执行跨应用的复杂任务，从而解决现有智能体在动态规划、经验积累和持续学习方面的难题。
第二步：“事后诸葛亮”——自主反思（Self-Reflection）这是MUSE最“类人”的机制在每完成一个子任务之后，MUSE的智能体不会立即进行下一个任务，而是会自主地对它的执行轨迹进行反思这种反思机制，就像是AI在给自己做“工作总结与复盘”。
它会评估子任务的执行结果： 成功了还是失败了？它会把原始的执行轨迹（Raw Trajectory）自动转化为结构化的经验（Structured Experience）如果成功，就会提炼出高效的操作序列作为新的 SOP（标准操作程序）。
它甚至拥有“第二次机会”机制： 如果第一次尝试失败，它有一次重试机会（无需检索，鼓励探索），如果再次失败，才会触发重新规划第三步：超越“静态参数”——持续自我演化（Self-Evolution）通过持续的“规划 → 执行 → 反思 → 提取经验”的四步闭环循环，MUSE 实现了真正的。
自我演化这些积累的经验会被整合回记忆模块，不断优化智能体未来的规划和执行策略这意味着：MUSE的性能会随着它自主积累的经验越来越多而持续提高实验结果：智能体的“职场”表现MUSE 框架在一系列实验中展示了令人振奋的能力：。
SOTA表现和降维打击在专为长期生产力任务设计的基准测试TAC （TheAgentCompany）
评论(0)