牢记于心：通过潜在空间知识增强实现隐式记忆

基于摘要分析。本文研究语言模型智能体如何保留并跨任务复用成功轨迹中的经验，提出 Knowledge-Augmenting Implicit Memory（KIM）：将行为调整保存在独立于骨干模型的潜在空间记忆中，减少对源轨迹反复检索与解释的依赖，也避免将经验完全绑定于骨干参数更新。 机制上，KIM 基于固定的共享 adapter，学习有利于成功后续行为的局部调整，并在相应交互状态上联合拟合记忆场。该记忆场整合不同轨迹中的调整；执行新任务时，系统根据当前状态读取调整，通过低秩干预作用于冻结的骨干模型。工具返回的观测会刷新读取结果，以引导连续决策，而不必重放原始轨迹。记忆场的具体参数化、局部调整的学习目标及训练流程尚未验证。 作者报告：使用按与评估查询的相似度筛选出的 3.6k 条成功轨迹构建记忆场后，KIM 在七个计算与知识密集型推理基准上的平均 Accuracy 为 41.6%；对照 trajectory RAG 使用包含 54k 条轨迹的检索库，平均 Accuracy 为 30.8%。这一结果对应不同的记忆构建与检索设置，不能仅据轨迹数量推断效率优势。作者还报告，将 KIM 应用于面向多工具推理训练的 Tool-Star 后，平均 Accuracy 从 46.6% 提升至 50.7%；摘要未明确该项结果的具体评估集合与划分。 复现时需核对成功轨迹来源、相似度筛选与评估查询之间的关系、训练和评估划分、基线配置、记忆更新成本及推理开销；实验协议、消融及统计信息尚未验证。摘要提供了匿名代码地址，但代码内容与运行条件尚未核验。本文主要对象是语言模型智能体的经验记忆，并非 EEG 解码或 BCI 验证；其对神经信号任务的适用性不能由上述推理结果推出，已有 EEG 相关工作尚未检索确认。