你一定有过这种体验：天天用的AI助手，纠正它多少次，下次还是从零开始。它不记得你的偏好，不记得你教过的流程，也不记得上次犯的错。
"越用越聪明"听起来是卖点，但真是这样吗？普林斯顿大学团队参与的新论文 PAST-Bench，第一次用严格方法测了这件事。它测的学术名字叫"递归自我改进"——AI用自己运行中产生的经验，改进自己未来的表现。这是通向更强AI的关键一步，而个人助手是它最现实的试验场。
结论比想象中有意思：AI确实能越用越好，但"能"和"稳定做到"之间，隔着比多数人想象更大的鸿沟。
测什么：经验能否变成能力
图注：PAST-Bench 把"越用越聪明"拆成四个维度，共26个任务场景、204个回合（来源：PAST-Bench论文，arXiv:2608.04003）
PAST-Bench 的测试对象是"个人AI智能体"——有记忆、有技能、有会话历史、跨会话工作的助手。它把"越用越聪明"拆成四种能力：记住偏好（记忆，占19.2%）、复用流程（程序复用，占30.8%）、查过往信息（信息搜集，占23.1%）、更新旧信息（更新，占26.9%），合计26个任务场景、204个回合。
测法是配对对照：同一组任务流，"记忆开启"跑一遍、"记忆关闭"跑一遍，两次分差才是经验带来的真实增益。7个主流模型、4个智能体框架全部参测。这个设计直指要害：分数高不代表经验有用，可能是模型底子好，也可能是碰巧。
结论一：都受益，但吃法不同
图注：七个模型开启记忆后整体得分全部提升，总增益Δ在+0.13到+0.24之间，但增益分布差异巨大（来源：论文Table 2）
数据显示，开启记忆后七个模型得分全部提升，整体增益Δ在+0.13到+0.24之间。但细看分布，各模型的"长进点"完全不同：GPT-5.4增益最均衡，总Δ +0.24全场最高；Kimi K2.6近一半增益集中在记忆；GLM-5.1则把近半力气花在更新旧信息上。
也就是说，经验不是补药。它能补哪块，取决于模型自己的底子——模型擅长的能力，恰恰是经验最能帮上忙的地方。
换个角度看框架，结论同样重要。固定 MiniMax-M2.7 一个模型，换四个智能体框架跑：nanobot 总增益+0.13，ZeroClaw +0.12，Hermes +0.13，而 Agent-Zero 是−0.08（来源：论文Table 3）。同一个"大脑"，换不同的"记忆系统"，效果天差地别。模型和运行时框架，各占一半责任。
结论二：同分不同路，记忆也可能帮倒忙
更值得警惕的是隐藏陷阱：同样的分数提升，机制可能完全不同。nanobot 和 Hermes 总增益都是+0.13，但机制证据分一个0.57、一个0.64——前者的提升更像碰巧答对，没有"先保存、再检索使用"的完整链路。
这就像两个考生同分，一个真会，一个背答案。只看分数，你分不清谁可靠。所以 PAST-Bench 要求同时报告"机制证据"：增益是否真的走了保存、检索、更新的正道。
还有反面教材：Agent-Zero 开启记忆后总增益为−0.08，四项能力三项退步。记忆不是天然有益——存错信息、检索无关记忆、复用过期流程，都会让助手越用越笨。这对企业用户是实打实的提醒：给助手开记忆，不等于给助手加能力，开不好是减能力。
结论三：病根找到，药方也开了
图注：Hermes+ 在智能体循环中插入五个干预：规划先查记忆、记忆存成可用形式、回答前先检索、纠错后覆盖旧值（来源：论文Figure 3）
研究团队逐条诊断失败轨迹，归纳出五类病根：规划时不看已存信息、信息存成不可用的形式、成功流程没沉淀进技能库、回答前不检索、纠错后不覆盖。对症给 Hermes 打了五个补丁（Hermes+）。
效果明确："更新旧信息"一项增益从+0.12升到+0.24，机制证据分从0.64升到0.73。单机制消融也验证了药方对症：记忆结构化（E2）把记忆项得分推到0.80，回答前检索门（E4）让信息搜集增益+0.17，纠错覆盖（E5）让更新增益+0.16（来源：论文Table 4）。
但论文也很诚实：整体增益+0.13到+0.15的提升小于运行间波动，不能算稳定收益；换到五个模型上，三个持平或提升，两个略退步。药方有效，但不是万能钥匙。
源势AI观点：企业智能体需要"经验审计"
我们在企业智能体落地中看到的是同一问题。许多企业助手演示惊艳，上线三个月后员工评价却是"越用越不想用"。根因往往不是模型不够聪明，而是经验闭环没建：记忆没人治理、流程没有沉淀、旧信息没有覆盖机制。
源势AI做智能体落地，把"记忆与技能治理"当作交付标准：存什么、怎么存、何时取、何时覆盖，都要有明确规则，可审计、可追溯。具体说，就是三件事：一是给记忆分级，偏好、流程、事实分开存，过期自动失效；二是把成功流程沉淀成可复用的技能，而不是留在聊天记录里；三是建立纠错覆盖机制，用户改过的信息必须替换旧值。
PAST-Bench 的价值，是把这种工程直觉变成了可测量的标尺——以后选助手，别只看它第一次对话的表现，要看它第一百次。
越用越聪明的助手，不是魔法，是工程。而工程，是可以学会、可以交付、可以验收的。
