存整段还是记要点？agent 经验管理有了基准答案

agent 圈对经验记忆的主流想象是蒸馏：把交互历史提炼成规则和策略，省 token 又显得聪明。10 月 6 日放榜的 Learn2Play Bench（arXiv 2610.08215，作者 Yibo Li、Bryan Hooi 等）用一套设计干净的基准对这个想象做了检验，答案出人意料；同日的 Transect（2610.08364）则从另一头补上了 agent 长跑评测的观测工具。两篇论文一个管经验的进，一个管行为的出，凑成 agent 黑盒问题的两条新证据。

Learn2Play：先把学习拆出来

现有基准的通病是任务规则写在说明里、或早就出现在预训练语料中，agent 答得好分不清是真会现场学习，还是背过答案。Learn2Play Bench 的解法是设计规则全新或反直觉的文字游戏：agent 必须通过交互试错才能摸清机制，反馈可复现、打分全自动，换个游戏实例还能测迁移。在骨干模型、自进化方法、agent 框架三个维度上做控制变量后，三个发现值得记住：其一，完整保留动作与反馈记录（存整段）比蒸馏成规则或策略（记要点）更支撑后续学习，主流的蒸馏直觉在这套设置下不占优；其二，顶尖人类玩家的峰值分数仍高于受测 agent，策略更多样、重复动作更少，人机差距真实存在；其三，骨干模型不动、仅更换 agent 框架就能提升表现并压低推理成本估算，harness 的选择是被低估的杠杆。

Transect：把长跑摊开看

另一篇针对的是评测侧的失明。前沿评测越来越用开放式 agent 任务，一次运行产生数百页 transcript、近千万 token 的记录，评估者实际上看不过来；引入 LLM 辅助归类行为又引入新的自由度，可复现性和可审计性受威胁。Transect 是基于 Inspect Scout 的开源包：评测家族配置里定义任务上下文和行为词汇表，裁判模型与分析设置解耦；报告把事件流、token 消耗、子 agent 活动和行为标签对齐到同一回合制时间线，任何标签都能回溯到源回合，底层数据表可导出做跨运行对比。演示用例是一次近 1300 万 token 的 AI 研发评测：组合视图显示 agent 忙于操作型工作和论文生产，缺少持续的证据生成阶段，而作者认为那恰是高质量科研产出的前提。这类发现没有观测工具根本看不见。

两篇合起来读

对做 agent 平台的团队，两条可执行结论：记忆策略先别急着上蒸馏管线，完整轨迹加检索的笨办法值得先做基线，Learn2Play 的结果说明它可能更强；评测基础设施里时间线对齐和标签回溯不是锦上添花，是发现系统性缺陷的前提，Transect 的思路可以用 Inspect 生态直接落地。两篇论文均为 CC BY 4.0，Learn2Play 有项目网站，Transect 自述以开源包形式发布，仓库链接以论文页后续更新为准。