Naukowcy przedstawili MSCE - framework Memory-Skill Co-Evolution, który zmienia podejście do zarządzania pamięcią agentów opartych na dużych modelach językowych działających przez długi czas. Zamiast przechowywać historyczne ślady działań jako martwą kontekstową informację, system przekształca je w wykonywalne umiejętności ze szczegółowymi metadanymi dotyczącymi ich wiarygodności i warunków zastosowania.
Klucz do innowacji stanowi sposób, w jaki MSCE organizuje doświadczenie agenta. Każda umiejętność otrzymuje linkę do dowodów wspierających jej działanie, jasne granice stosowalności, wytyczne decyzyjne, reguły weryfikacji oraz oszacowania niezawodności. Framework wprowadza też mechanizm "reflection-weighted value backfilling" - technikę propagującą rzadkie opinie zwrotne z końca sekwencji działań przez gęste lokalne autorefleksje, tworząc kalibrowane wartości dla każdego kroku. To pozwala systemowi inteligentnie rozwijać zarówno pamięć, jak i bibliotekę umiejętności.
Wyniki na benchmarkach EvoAgentBench i LoCoMo pokazują znaczną przewagę MSCE nad istniejącymi metodami augmentowanymi umiejętnościami i sterowanymi pamięcią. System wykazał zdolność do transferu wiedzy między różnymi domenami zadań oraz do ciągłej ewolucji w miarę gromadzenia nowych doświadczeń - kluczowe cechy dla praktycznych agentów AI pracujących w dynamicznych środowiskach.