记忆迁移学习：编码智能体中记忆如何在不同领域间迁移

基于记忆的自进化已成为编码智能体的重要范式，但现有方法通常局限于同质任务领域，未能利用不同编程问题间共享的基础设施。本文提出“记忆迁移学习”（MTL），利用异构领域的统一记忆池来解决该局限。通过在六个基准测试上的评估，发现跨域记忆平均提升性能 3.7%，主要归因于元知识（如验证例程）而非特定代码的迁移。研究表明，抽象程度决定可迁移性：高层洞察泛化良好，而低层轨迹常因过于具体导致负迁移。此外，迁移效果随记忆池规模扩大而增强，且支持跨模型迁移。