在人工智能技术飞速发展的今天，主流AI智能体普遍面临一个棘手问题：当它们独自承担任务执行、效果评估和经验存储的全流程时，容易陷入“自我确认陷阱”。这种机制类似于学生自行批改试卷，错误的答案可能被反复强化，最终导致系统性能力退化。清华大学深圳国际研究生院联合多所高校的研究团队，针对这一难题提出了创新解决方案——EDV（执行-提炼-验证）框架，通过引入多智能体协作机制，显著提升了AI系统的学习效率和可靠性。
研究团队通过对照实验揭示了问题的严重性：当AI记忆库被注入10%的错误经验时，其任务成功率从82.5%骤降至77.2%。这种“污染”效应源于单一AI的认知偏差——执行任务时的思维模式与评估结果时的判断标准高度一致，导致错误经验难以被识别。例如在模拟航空客服场景中，AI可能反复尝试用旅行证书修改订单，尽管每次失败仍会记录这种“探索过程”，最终形成顽固的错误习惯。
EDV框架的核心突破在于构建了分工明确的三阶段流程。在执行阶段，系统从包含Mimo-V2-Flash、GLM-4.7-FP8等不同模型的“模型池”中随机抽取组合，确保行动记录的多样性。这种设计使不同AI的思维方式产生碰撞：有的偏好先查询信息，有的倾向直接推理，从而形成包含成功路径与失败教训的丰富数据集。实验显示，使用三个不同模型的任务成功率比单一模型提升2.6个百分点。
提炼阶段引入“第三方分析师”角色，由未参与执行的AI对所有行动记录进行横向对比。这种去中心化的分析方式有效避免了执行者的认知盲区，能够精准识别成功关键步骤与失败共性原因。例如在处理退款请求时，分析师可发现“必须同时验证订单号和支付方式”这类跨案例的通用规律，而单一AI往往只能记录表面操作。
验证阶段采用“默认拒绝”策略，只有当所有执行AI一致认可的经验才能进入共享记忆库。这种严苛的准入标准配合“能力矩阵”系统——根据历史表现记录各AI的专长领域——确保了经验调用的精准性。当新任务到来时，系统会优先分配给最擅长的AI，并从记忆库中检索高度相关的经验作为参考。技术实现上，Qwen3-Embedding-4B语义模型通过向量相似度计算，将共享记忆库的检索阈值设定为0.80，私人记忆库设定为0.85。
在τ?-bench客服测试中，EDV框架展现出显著优势：综合成功率达86.6%，电信领域更是高达99.1%，较传统方案提升超过4个百分点。在Mind2Web网页操作测试中，其步骤成功率在跨任务、跨网站、跨领域三种场景下分别达到43.17%、36.56%和39.57%，均优于对比基准。更值得关注的是，EDV在MMTB工具调用测试中取得58.10%的成功率，证明其能有效处理需要严格参数协调的复杂任务。
人工审核结果显示，EDV存储的经验在正确性（4.41分）、可操作性（4.32分）等积极指标上显著优于传统方案，同时将噪音程度（0.63分）和误导风险（0.51分）降低近一半。这种质量提升源于EDV经验的三重升华：从机械记录操作步骤到动态感知环境状态，从局部目标满足到全局结构把握，从表面现象描述到根本原因挖掘。例如在翻译工具调用场景中，EDV经验明确指出“必须使用ISO 639-1标准代码”，而非简单记录“不要用自然语言名称”。
资源消耗分析颠覆了多智能体系统必然低效的认知。由于经验构建过程在离线阶段并行完成，EDV在实际推理时的计算量反而比传统方案减少24.5%。这种“备货式”设计使AI能快速调用高质量经验，避免在错误路径上反复试错，实现了效率与准确性的双重提升。研究团队承认，该框架仍面临共识验证可能强化共同偏见、弱模型干扰决策等挑战，未来将探索记忆库动态管理和智能体规模自适应调整等方向。
这项发表于arXiv平台（编号2606.24428）的研究，为AI持续学习机制提供了全新范式。其核心价值在于证明：通过结构化设计打破单一智能体的认知闭环，能够有效构建可靠的知识积累系统。对于需要长期运行的复杂AI应用，这种“质量优先”的记忆管理策略，或许将成为突破性能瓶颈的关键路径。完整代码已在GitHub公开，供全球研究者验证与改进。
