科技Bestblogs·字节跳动技术团队··AI 生成
从“做过”到“会做”：用 OpenViking 经验记忆构建 Agent 的进化闭环
字节跳动技术团队提出了一个名为 OpenViking 的框架，为 AI Agent 构建经验记忆，使其能从历史任务中学习可复用的方法，而非仅记录每次执行的过程。通过 Session（原始过程）、Trajectory（还原轨迹）和 Experience（提炼方法）三层结构，实现离线学习与在线复用的闭环。在 τ²-bench 测试中，零售和航空场景任务成功率分别提升了 6.87 和 11.87 个百分点。文章提供了完整的架构设计、实证数据和低改造成本的接入方式，对于正在解决 Agent 长期记忆与自我进化问题的工程师和架构师具有直接参考价值。原文 ↗原文 ↗
核心观点
- ▍仅保存聊天记录或日志无法让 Agent 从过去任务中学习，需要构建可复用、可核验、可迭代的「经验记忆」，才能真正从“做过”进化为“会做”。
- 01OpenViking 将经验记忆分为三层：Session（原始对话与工具调用）、Trajectory（还原任务目标与执行路径）、Experience（从相似轨迹中提炼的可迁移步骤、检查项和风险边界）。
- 02离线学习阶段，任务结束后自动归档完整 Trajectory，并基于相似 Exprience 生成新 Experience 或更新已有 Experience。
- 03在线复用阶段，新任务开始时 Agent 检索相关 Experience，核对适用条件后直接应用其中的步骤和检查项。
- 04在 τ²-bench 评测中，Retail 场景任务成功率从 70.94% 提升到 77.81%（+6.87pp），Airline 场景从 54.38% 提升到 66.25%（+11.87pp）。
- 05单题换货任务测试中，引入经验记忆后成功率从 2/8 提升至 8/8 全部成功。
- 06OpenViking 提供企业/个人版、MCP 与 Experience Skill、官方 Plugin 等多种低改造成本的接入方式。
反方 / 局限
- — 文章未明确讨论经验记忆在处理高度动态、任务边界模糊或需求频繁变更场景下的适应性问题，也未比较与纯基于大模型推理的其它记忆方案的优缺点。
前置背景
技术原理
平行视角
未来推演
延伸追问