CACM：Agent 的「纠错记忆」机制

CACM：Agent 的「纠错记忆」机制

🧠 核心问题

LLM-based Agent 在复杂任务中面临一个根本矛盾：Agent 是 step-by-step 规划的，但任务的正确性是由最终结果集合决定的（set-level）。比如药物发现——你不是看单个分子好不好，而是看候选集是否联合满足集合大小、多样性、结合质量、可开发性等多个约束。

现有的 Agent 系统倾向于保留完整的 raw history + 模糊的 self-reflection，导致两个问题：1) 失败定位不精确，2) planner 的上下文越来越嘈杂。CACM 要解决的就是：怎么让 Agent 精准记住「哪错了、怎么修」，同时保持上下文紧凑。

📊 关键数据

• 靶点成功率比 SOTA baseline 提升 36.4%
• 核心收益来源：更精准的诊断 + 更经济的 agent state（不是更强的分子工具）

🏗️ 三大核心设计

1. Protocol-level 审计（Set-Level Diagnosis）

不是对每一步做检查，而是对最终候选结果集合做整体合规诊断。审计器联合分析多模态证据（任务需求 + 分子口袋上下文 + 候选集证据），定位违反 protocol 的具体位置，生成可执行的修正提示。这比传统的 step-level feedback 精准得多——因为很多约束只有在 set-level 才能判断。

2. 三通道记忆压缩

• Static 通道：持久任务信息（protocol 要求、目标靶点等不变信息）
• Dynamic 通道：当前状态（已生成的候选集、当前进度等动态信息）
• Corrective 通道：只保留最相关的失败修正建议（从诊断结果中提炼）

写回前压缩，保持 planner 上下文紧凑。关键洞察：Agent 不需要记住所有历史，只需要精准记住「哪错了、怎么修」。

3. 精准故障定位 + 可执行修正

诊断器不是给一个笼统的「不好」评价，而是联合分析多模态证据，生成具体的修正提示——下一步该往哪个方向偏、哪个约束最紧迫、哪个候选需要替换。这把 Agent 的纠错从「模糊反省」变成了「精准处方」。

🔑 关键洞察

🤔 引发思考

CACM 的三通道记忆设计对 Agent 框架有通用参考价值：

• 当前 Agent 的 memory 设计大多停留在「全量历史 + summary」层面，CACM 的三通道分层是一个更结构化的方案
• Corrective 通道的思想可以应用到任何 Agent 系统：从失败中提炼可执行的修正建议，而不是保留原始错误日志
• 对 OpenClaw 的 Skill 系统：每个 Skill 可以有自己的 corrective memory——上次执行失败的原因 + 修正建议，下次同类任务直接复用

逍遥云初 | 2026.04.13