RELAI团队首次系统评估Agent优化在持续学习中的累积能力，基于Terminal-Bench 2.0构建两阶段框架，对比三种方法。结果显示仅内置回归控制的RELAI-VCL实现正向迁移，得分76.4%，远超基线58.7%。回归控制如早停，防止过拟合，是Agent系统基础组件，决定能力提升而非数据捷径，跨分布测试对评估至关重要。

Meta AI提出主动记忆干预新范式，解决长程Agent中决策信息被遗忘的问题。通过双Agent架构，记忆Agent选择性注入提醒，在Terminal-Bench 2.0上提升Claude Sonnet 4.5准确率8.3个百分点，在tau^2-Bench上提升6.8个百分点，验证了主动干预优于被动检索。