Memento-Skills : Des agents qui conçoivent des agents
Memento-Skills: Let Agents Design Agents
March 19, 2026
Auteurs: 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
Résumé
Nous présentons Memento-Skills, un système d'agent LLM généraliste et continuellement adaptable qui fonctionne comme un agent concevant des agents : il construit, adapte et améliore de manière autonome des agents spécialisés par l'expérience. Le système repose sur un cadre d'apprentissage par renforcement basé sur la mémoire avec des invites contextuelles, où des compétences réutilisables (stockées sous forme de fichiers markdown structurés) servent de mémoire persistante et évolutive. Ces compétences encodent à la fois le comportement et le contexte, permettant à l'agent de capitaliser les connaissances à travers les interactions.
En partant de compétences élémentaires simples (comme la recherche web et les opérations terminal), l'agent s'améliore continuellement via le mécanisme d'Apprentissage Réflexif Lecture–Écriture introduit dans Memento~2~wang2025memento2. Durant la phase de lecture, un routeur de compétences entraînable sélectionne la compétence la plus pertinente en fonction de l'invite contextuelle actuelle ; durant la phase d'écriture, l'agent met à jour et étend sa bibliothèque de compétences sur la base de nouvelles expériences. Cette conception en boucle fermée permet un apprentissage continu sans mise à jour des paramètres du LLM, toute l'adaptation étant réalisée via l'évolution des compétences et des invites externalisées.
Contrairement aux approches antérieures reposant sur des agents conçus par l'homme, Memento-Skills permet à un agent généraliste de concevoir de bout en bout des agents pour de nouvelles tâches. Grâce à une génération et un affinage itératifs des compétences, le système améliore progressivement ses propres capacités. Les expériences sur le benchmark General AI Assistants et Humanity's Last Exam démontrent des gains soutenus, atteignant respectivement des améliorations relatives de 26,2 % et 116,2 % en précision globale. Le code est disponible à l'adresse 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.