Memento-Skills: Far Progettare Agenti agli Agenti
Memento-Skills: Let Agents Design Agents
March 19, 2026
Autori: 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
Abstract
Introduciamo Memento-Skills, un sistema agente LLM generalista e capace di apprendimento continuo che funge da agente-progettista di agenti: costruisce, adatta e migliora in modo autonomo agenti specifici per compito attraverso l'esperienza. Il sistema è basato su un framework di reinforcement learning basato su memoria con prompt dotati di stato, dove abilità riutilizzabili (memorizzate come file markdown strutturati) fungono da memoria persistente ed evolutiva. Queste abilità codificano sia il comportamento che il contesto, consentendo all'agente di trasportare la conoscenza attraverso le interazioni.
Partendo da abilità elementari semplici (come la ricerca web e le operazioni da terminale), l'agente migliora continuamente tramite il meccanismo di Apprendimento Riflessivo in Lettura–Scrittura introdotto in Memento~2~wang2025memento2. Nella fase di lettura, un router di abilità addestrabile sul comportamento seleziona l'abilità più rilevante in base al prompt con stato corrente; nella fase di scrittura, l'agente aggiorna ed espande la propria libreria di abilità sulla base della nuova esperienza. Questo design a ciclo chiuso abilita l'apprendimento continuo senza aggiornare i parametri del LLM, poiché tutto l'adattamento è realizzato attraverso l'evoluzione di abilità e prompt esternalizzati.
A differenza degli approcci precedenti che si affidano ad agenti progettati da umani, Memento-Skills consente a un agente generalista di progettare agenti end-to-end per nuovi compiti. Attraverso la generazione e il raffinamento iterativi delle abilità, il sistema migliora progressivamente le proprie capacità. Esperimenti sul benchmark General AI Assistants e su Humanity's Last Exam dimostrano miglioramenti sostenuti, raggiungendo miglioramenti relativi nell'accuratezza complessiva del 26,2% e del 116,2%, rispettivamente. Il codice è disponibile all'indirizzo 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.