SkillGLoW：智能体通过复用程序实现自我改进
Self-improving agents need a useful way to remember what worked.
Agent 记忆机制是当前的核心痛点，SkillGLoW 提出的“存程序不存细节”思路极具启发性，且数据扎实，值得 Agent 开发者深入参考。
Self-improving agents need a useful way to remember what worked.
自我改进的智能体需要一种有效的方式来记住哪些方法行之有效。
SkillGLoW shows agents should remember reusable ways of solving tasks, not every past task, gaining 17.2 points with a 3.6× more compact library.
SkillGLoW 表明，智能体应记住可复用的任务解决方法，而非记录每一个过去的任务，从而在库规模缩小 3.6 倍的情况下提升了 17.2 分。
Self-improving agents can remember less and perform better when they store shared procedures.
当存储共享程序时，自我改进的智能体可以记忆更少的内容并表现得更好。
The task-specific details are rebuilt from the current task instead of stored permanently.
特定任务的细节是从当前任务中重建的，而不是永久存储的。
It also tests memory updates in real execution and rejects changes that make the agent worse.
它还在实际执行过程中测试内存更新，并拒绝那些导致智能体表现变差的更改。
更进一步：量化金融体系
看懂新闻只是起点——沿量化金融路径，把它变成能交付的工程能力