Memento-Fertigkeiten: Agenten entwerfen Agenten
Memento-Skills: Let Agents Design Agents
March 19, 2026
Autoren: Huichi Zhou, Siyuan Guo, Anjie Liu, Zhongwei Yu, Ziqin Gong, Bowen Zhao, Zhixun Chen, Menglong Zhang, Yihang Chen, Jinsong Li, Runyu Yang, Qiangbin Liu, Xinlei Yu, Jianmin Zhou, Na Wang, Chunyang Sun, Jun Wang
cs.AI
Zusammenfassung
Wir stellen Memento-Skills vor, ein generalistisches, kontinuierlich lernfähiges LLM-Agentensystem, das als Agenten-entwerfender Agent fungiert: Es konstruiert, passt an und verbessert autonom aufgaben-spezifische Agenten durch Erfahrung. Das System basiert auf einem gedächtnisbasierten Reinforcement-Learning-Framework mit zustandsbehafteten Prompts, wobei wiederverwendbare Fähigkeiten (gespeichert als strukturierte Markdown-Dateien) als persistenter, sich entwickelnder Speicher dienen. Diese Fähigkeiten kodieren sowohl Verhalten als auch Kontext und ermöglichen es dem Agenten, Wissen über Interaktionen hinweg mitzuführen.
Ausgehend von einfachen elementaren Fähigkeiten (wie Websuche und Terminaloperationen) verbessert sich der Agent kontinuierlich durch den in Memento~2~wang2025memento2 eingeführten Read-Write Reflective Learning-Mechanismus. In der Lese-Phase wählt ein verhaltenstrainierbarer Skill-Router die relevanteste Fähigkeit basierend auf dem aktuellen zustandsbehafteten Prompt aus; in der Schreib-Phase aktualisiert und erweitert der Agent seine Fähigkeitsbibliothek basierend auf neuen Erfahrungen. Dieser Closed-Loop-Entwurf ermöglicht kontinuierliches Lernen ohne Aktualisierung der LLM-Parameter, da alle Anpassungen durch die Evolution externalisierter Fähigkeiten und Prompts realisiert werden.
Im Gegensatz zu früheren Ansätzen, die auf menschlich entworfenen Agenten basieren, ermöglicht Memento-Skills einem generalistischen Agenten, End-to-End-Agenten für neue Aufgaben zu entwerfen. Durch iterative Fähigkeitsgenerierung und -verfeinerung verbessert das System seine Fähigkeiten progressiv. Experimente auf dem General AI Assistants Benchmark und Humanity's Last Exam demonstrieren anhaltende Leistungssteigerungen mit relativen Verbesserungen der Gesamtgenauigkeit von 26,2 % bzw. 116,2 %. Der Code ist verfügbar unter https://github.com/Memento-Teams/Memento-Skills.
English
We introduce Memento-Skills, a generalist, continually-learnable LLM agent system that functions as an agent-designing agent: it autonomously constructs, adapts, and improves task-specific agents through experience. The system is built on a memory-based reinforcement learning framework with stateful prompts, where reusable skills (stored as structured markdown files) serve as persistent, evolving memory. These skills encode both behaviour and context, enabling the agent to carry forward knowledge across interactions.
Starting from simple elementary skills (like Web search and terminal operations), the agent continually improves via the Read--Write Reflective Learning mechanism introduced in Memento~2~wang2025memento2. In the read phase, a behaviour-trainable skill router selects the most relevant skill conditioned on the current stateful prompt; in the write phase, the agent updates and expands its skill library based on new experience. This closed-loop design enables continual learning without updating LLM parameters, as all adaptation is realised through the evolution of externalised skills and prompts.
Unlike prior approaches that rely on human-designed agents, Memento-Skills enables a generalist agent to design agents end-to-end for new tasks. Through iterative skill generation and refinement, the system progressively improves its own capabilities. Experiments on the General AI Assistants benchmark and Humanity's Last Exam demonstrate sustained gains, achieving 26.2\% and 116.2\% relative improvements in overall accuracy, respectively. Code is available at https://github.com/Memento-Teams/Memento-Skills.