Memento-Skills: Laat Agents Agents Ontwerpen
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
Samenvatting
Wij introduceren Memento-Skills, een generalistisch, continu leerbaar LLM-agentensysteem dat functioneert als een agent-ontwerpende agent: het construeert, past aan en verbetert autonoom taakspecifieke agenten op basis van ervaring. Het systeem is gebouwd op een op geheugen gebaseerd reinforcement learning-raamwerk met stateful prompts, waarbij herbruikbare skills (opgeslagen als gestructureerde markdown-bestanden) dienen als persistent, evoluerend geheugen. Deze skills coderen zowel gedrag als context, waardoor de agent kennis kan meenemen tussen interacties.
Uitgaande van eenvoudige elementaire skills (zoals zoeken op het web en terminaloperaties), verbetert de agent zich continu via het Read-Write Reflective Learning-mechanisme geïntroduceerd in Memento~2~wang2025memento2. In de leesfase selecteert een gedragstrainable skill router de meest relevante skill op basis van de huidige stateful prompt; in de schrijffase werkt de agent zijn skillbibliotheek bij en breidt deze uit op basis van nieuwe ervaring. Dit gesloten ontwerp maakt continu leren mogelijk zonder de LLM-parameters bij te werken, aangezien alle aanpassing wordt gerealiseerd door de evolutie van geëxternaliseerde skills en prompts.
In tegenstelling tot eerdere benaderingen die afhankelijk zijn van door mensen ontworpen agenten, stelt Memento-Skills een generalistische agent in staat end-to-end agenten te ontwerpen voor nieuwe taken. Door iteratieve skillgeneratie en -verfijning verbetert het systeem zijn eigen capaciteiten progressief. Experimenten op de General AI Assistants-benchmark en Humanity's Last Exam tonen aanhoudende verbeteringen aan, met respectievelijk 26,2% en 116,2% relatieve verbetering in algehele nauwkeurigheid. Code is beschikbaar op 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.