资讯1 分钟阅读·
KAIST团队提出Preping框架，自报智能体冷启动部署成本降低近三倍
KAIST研究团队发布Preping框架，通过合成练习构建智能体记忆。自报数据显示，在AppWorld和BFCL v3基准测试中，其部署成本分别比在线记忆构建低2.99倍和2.23倍，性能与基于离线经验的方法相当。
重要性实质性证据E2 未复现写法快讯
KAIST研究团队（Yumin Choi等）于2026年10月14日更新论文《PREPING: Zero-Task Agent Memory Construction via Self-Practice》，提出一种无需目标环境任务即可构建智能体程序性记忆的框架。该研究针对大语言模型智能体在新环境中面临的“冷启动”问题，即缺乏特定任务经验导致初始表现不佳。
Preping的核心机制是“提议者引导的记忆构建”。它利用一个结构化控制状态（proposer memory）来指导合成任务的生成、执行和验证，从而过滤冗余和不可行的轨迹。实验表明，该方法在AppWorld、BFCL v3和MCP-Universe三个基准测试上，性能可与依赖离线或在线经验的强基线方法竞争。
关键数据来自作者自测：在AppWorld上，Preping的部署成本比在线记忆构建方法低2.99倍；在BFCL v3上低2.23倍。这一成本优势主要源于对可行性、冗余度和覆盖率的主动控制，而非单纯增加合成数据量。目前结果尚未经过独立复现，属于预印本阶段的第一方基准数据。