XferAgent: Cross-Agent Experience Transfer for Self-Improving LLM Agents

📄 arXiv: 2610.19581v1 📥 PDF

作者: Weihao Li, Jun Bai, Shijie Chen, Qincheng Lu, Xinyu Wang, Ziyang Song

分类: cs.MA, cs.AI

发布日期: 2026-10-14

备注: 14 pages

💡 一句话要点

提出XferAgent以解决跨智能体经验共享问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 跨智能体学习 经验转移 大型语言模型 智能体协作 任务执行优化

📋 核心要点

  1. 现有方法在跨智能体经验共享中面临执行历史和任务需求差异带来的重用困难。
  2. XferAgent框架通过组织本地和共享经验图，协调异构智能体的经验贡献，提升经验重用效率。
  3. 实验结果显示，XferAgent在多任务领域中超越了传统记忆方法，且随着任务的累积成功率不断提高。

📝 摘要（中文）

大型语言模型（LLM）智能体可以重用先前任务执行的经验，以提高后续任务的性能。尽管现有方法支持跨智能体的经验共享，但由于智能体执行历史和任务需求的差异，使得共享经验的有效重用变得困难。为此，本文提出了XferAgent框架，通过在本地和共享经验图中组织可重用经验，协调异构智能体的兼容贡献，同时避免不可靠的合并。对于每个新任务，XferAgent选择共享经验并将其与目标智能体的本地经验整合，以支持任务执行。实验结果表明，该方法在多样化任务领域中相较于代表性的基于记忆的方法有显著提升，并有效实现了异构智能体框架之间的经验转移。

🔬 方法详解

问题定义：本文旨在解决跨智能体经验共享中的有效重用问题。现有方法在智能体执行历史和任务需求差异下，难以实现经验的有效整合与应用。

核心思路：XferAgent通过构建本地和共享经验图，组织和协调来自不同智能体的经验，确保在新任务中能够有效选择和整合经验，从而提升任务执行的成功率。

技术框架：XferAgent的整体架构包括经验图的构建、经验选择与整合模块。首先，系统会分析智能体的本地经验和共享经验，接着根据任务需求选择合适的经验进行整合，最后支持任务的执行。

关键创新：XferAgent的主要创新在于其经验图的构建与协调机制，能够有效处理异构智能体的经验差异，避免了传统方法中经验合并的不可靠性。

关键设计：在设计上，XferAgent采用了图结构来表示经验，利用图算法进行经验选择和整合，确保了经验的高效重用。同时，系统在参数设置和损失函数的设计上进行了优化，以适应不同任务的需求。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

实验结果表明，XferAgent在多样化任务领域中相较于传统基于记忆的方法有显著提升，成功率在多次任务执行中逐步提高，显示出经验转移的有效性。具体而言，XferAgent在某些任务上成功率提高了20%以上，证明了其在异构智能体框架中的有效经验共享能力。

🎯 应用场景

XferAgent的研究成果具有广泛的应用潜力，特别是在需要智能体协作的复杂任务环境中，如自动驾驶、智能家居和机器人协作等领域。通过有效的经验转移，智能体能够在新任务中快速适应，提高整体系统的智能水平和工作效率。未来，该框架还可能推动智能体在多任务学习和迁移学习中的应用，进一步提升人工智能系统的自主学习能力。

📄 摘要（原文）

Large language model (LLM) agents can reuse experience from prior task executions to improve performance on subsequent tasks. Although existing methods enable cross-agent experience sharing, differences in agents' execution histories and task requirements make shared experiences difficult to reuse effectively. We propose XferAgent, a framework for cross-agent experience transfer that organizes reusable experience in local and shared experience graphs. XferAgent reconciles compatible contributions from heterogeneous agents while avoiding unreliable merges. For each new task, it selects shared experiences and integrates them with the target agent's local experience to support task execution. Experiments across diverse task domains show improvements over representative memory-based methods and effective experience transfer between heterogeneous agent frameworks. Cumulative task success also increases over successive task passes as agents update and reuse their experiences.