EMMA：结构化记忆与单编辑守卫组件¶

论文信息¶

字段	内容
论文链接	EMMA，固定v1全文
公司/机构	一作Ruijia Niu：UC San Diego；工作在Amazon实习期间完成，论文含Amazon合作者
首次公开日期	2026-10-25 18:00:11 UTC，arXiv v1；本批为同公告补漏，不是10/30首发
原文开源代码	本轮在固定v1全文/arXiv未找到可核验作者实现仓库；引用的smolagents等不当作EMMA源码
本地 Adapter	`emma`为纯CPU结构守卫组件键，不是完整多Agent系统
本地复现代码	`src/auto_research/agent_research/emma.py`

不执行LLM、反思或环境任务。完整多模型多环境实验成本过高，不复现（审查 DONE）；下文“通过”只指结构守卫，不是Agent成功率。

原始论文总结¶

背景与主要改动¶

把失败一律写进prompt、skill或新增agent，会让结构变化跟随backbone偏好而不是失败原因。EMMA把持久记忆分为controller路由规则、继承generalist的agent专门化、每步可分配的skill，并让每次反思只修改承担修复责任的一项。

单次执行失误只产生本任务临时plan directive；通用工作习惯写prompt，方法缺失写skill，分解/派发错误归controller。上下文或轮数overflow首先拆分未完成步骤，保留已完成工作，不直接视为能力失败。

架构与数据流¶

flowchart LR
    F[外部失败轨迹与scope诊断] --> E[一个候选编辑]
    E --> G[ownership / 轮换 / 保留 / 容量守卫]
    X[独立外部语义安全检查] --> G
    G --> M[一个持久条目或临时plan指令]
    M --> R[新尝试须实际使用变更 外部]
    O[未完成步骤overflow] --> S[原位置splice 已完成前缀不变]

原论文关键图¶

原论文Figure2：三层记忆与逐步执行架构

图片来自原论文，保持原图未重绘，版权归原作者所有（论文CC BY4.0）；来源/哈希见assets/provenance.json。原图中的LLM和Python executor不属于本地已接入部分。

核心公式¶

\[ \mathcal M=(\mathcal C,\mathcal A,\mathcal S),\qquad \tilde p_j=p_0\|p_j,\qquad \alpha\in\mathrm{Act}(z). \]

失败scope	允许的修改
execution_slip	revise_plan / no_change，不写持久经验
agent_behavior	refine_prompt，仅参与该尝试的agent
procedure	revise_skill / create_skill
missing_capability	create_skill / create_agent
routing	memory_note / revise_plan；有overflow证据才允许create_agent

附录规则包括：原prompt完整行至少保留60%；最多10个agent、40个skill；单prompt/skill分别不超过6000/3000字符；新专门化至少150字符；同一层不能连续修改超过两轮失败。相同步骤连续overflow须改变工作拆分，而不是继续改prompt/skill。

新建/修改条目须在下一次计划中实际使用；最终失败后不能再留下未重跑的编辑。被接受的编辑即使下一次尝试失败也会保留。测试时记忆冻结，但仍可选择记忆和重规划。

论文离线与线上效果¶

作者在KramaBench、AppWorld和BBEH-mini以及五个backbone上报告结果，比较ACE/GEPA/EvoMAS/ADAS；具体指标属于不同任务协议，不能混成统一成功率。本地未执行这些任务，也没有生产线上A/B证据。

本地复现¶

数据协议与实现边界¶

apply_guarded_edit真实复制并修改一个内存条目，检查scope、参与者、完整行保留、轮换、大小、池上限、训练/剩余rerun边界。prompt_for在读取时继承当前generalist，splice_overflow只用现有agent/skill替换未完成步骤。

语义重复、真正专门化、答案泄漏、数据路径与结构性拆分是否成立，由独立外部服务给显式Boolean证明；本地检查15词任务原文跨度，但不能证明外部服务判断正确。接口不接收gold答案，也没有被评测actor。反思模型、工具执行、任务judge、整条attempt chain、end-of-task controller总结及语义安全服务均未实现，不宣传完整EMMA或evolve能力。

本地结果与负控¶

小结构测试覆盖scope错位、未参与prompt、60%保留、15词泄漏、推理写入、无剩余rerun、第三轮同层失败、重复overflow、重复/路径安全拒绝，以及新条目未使用不能算已exercise。仅输出条目/计划数量和拒绝计数，无能力成功率。

代码映射¶

EpisodicMemory对应三层状态；apply_guarded_edit对应Table1/AppendixB的可检查守卫子集；ExternalSafety显式隔离未实现的语义服务；assert_exercised对应下一次计划使用义务；splice_overflow对应Algorithm2的拼接，不生成分解计划。

高成本完整实验¶

五个backbone、三套完整环境和多基线，每训练任务最多6次执行、每step30轮、executor上限600秒/24GiB。单A100/A30或Mac不启动此长链矩阵；完整实验成本过高，不复现（审查 DONE），不把结构守卫通过变成性能证据。