HyperSkill：基于超图技能记忆的自进化LLM代理

arXiv论文提出HyperSkill框架，用超图结构组织LLM代理的技能记忆，通过双路径检索和周期性结构维护，在GAIA和WebWalkerQA等基准上超越十种基线，最高提升11.51分。

现有记忆系统分别处理存储、检索或演化，忽视子任务与技能的组合关系。HyperSkill首次将三者统一在超图结构中，利用关系信号提升检索效果，在多个基准上显著超越基线，表明记忆结构设计对代理性能有实质影响。

超图将轨迹中的子任务步骤和可复用技能连接为超边，保留组合关系。检索时从子任务和轨迹双路径查询，按技能在轨迹中的共现排序，利用关系信号。定期维护通过质量加权传播合并冗余技能、剪除低效用节点，使记忆自适应演化。

对AI代理类产品，HyperSkill可提升跨任务技能复用效率，减少重复学习成本。产品团队可借鉴超图记忆结构优化现有Agent的长期记忆模块，但需评估工程复杂度与收益。

• 在现有AI代理中加入基于超图的技能记忆模块，提升复杂任务处理效率。
• 将HyperSkill的共现检索机制用于企业知识库，提高查询相关性。
• 开发记忆维护工具，自动合并冗余技能，减少存储开销。

• 超图记忆结构在不同规模模型上的性能表现如何？
• 周期性维护的频率与计算成本是否可控？
• 该框架是否适用于实时交互场景？