当人工智能助手在处理复杂任务时，其记忆系统的可靠性直接影响着执行效果。最新研究显示，现有主流智能体普遍存在一种被称为"自我确认陷阱"的认知偏差，导致错误经验被反复强化。这项由多所高校联合完成的研究，通过引入多智能体协作机制，成功构建出更可靠的学习框架，在客户服务、网页操作和工具调用等场景中验证了显著优势。
研究团队将智能体学习过程类比为学生自我批改试卷的场景：当AI独立完成任务、评估结果并记录经验时，其固有的思维模式会形成认知闭环。实验表明，向记忆库注入10%错误经验后，任务成功率骤降5.3个百分点。这种偏差源于单一智能体难以识别自身思维局限，就像用有刻度偏差的尺子反复测量，始终无法发现误差根源。
针对这一困境，研究团队设计的EDV框架通过角色分工打破闭环。在执行阶段，系统随机组合不同架构的AI模型（包括小米Mimo-V2-Flash、智谱GLM-4.7-FP8等）并行处理任务，确保行动记录呈现多样性。提炼阶段则由未参与执行的第三方AI担任分析师，从多维度对比中提取关键经验。最后的验证环节采用"全票通过制"，只有获得所有执行者认可的经验才能进入共享记忆库。
在模拟航空客服的测试中，该框架展现出突破性进展。当处理涉及旅行证书使用的复杂规则时，传统系统会反复尝试错误操作并固化经验，而EDV框架通过多模型对比，成功提炼出"旅行证书仅适用于新购票"的核心规则。这种机制使电信领域任务成功率飙升至99.1%，较传统方案提升近17个百分点。
记忆系统的分层设计是另一创新点。共享记忆库存储经过严格验证的普适性经验，私人记忆库则保留针对特定模型或任务的个性化知识。能力矩阵动态追踪各模型专长，确保新任务优先分配给最适配的智能体。这种设计使系统在网页操作测试中，跨领域任务步骤成功率达到39.57%，较最强基准提升0.83个百分点。
人工评估显示，EDV框架生成的经验在正确性、可操作性和具体性等维度评分均超过4.2分（满分5分），而传统方案的得分不足3.8分。特别是在错误纠正方面，新框架能深入挖掘"调用翻译工具需使用ISO标准代码"这类本质原因，而非简单记录"避免使用自然语言名称"的表面现象。
资源消耗分析揭示了意想不到的效率提升。虽然构建经验阶段需要多模型协同工作，但这些计算均在离线状态完成。在实际应用中，高质量记忆使AI推理令牌消耗减少24.5%，响应速度反而优于传统系统。这得益于精准的经验检索机制——共享库采用0.80的相似度阈值，私人库则设定0.85的更高标准，确保调用经验的针对性。
研究团队也指出当前方案的局限性：当多个AI存在共同认知盲区时，共识验证可能强化群体偏差；能力差异过大的模型组合会影响经验质量；分布式决策机制增加了故障溯源难度。针对这些问题，后续研究将探索记忆库动态更新策略和智能体规模自适应调整机制，相关代码已在开源平台发布供学术界验证。
