智能体（Agent）的长期记忆构建一直是人工智能领域的关键挑战。传统方法通常依赖离线演示或在线交互来积累经验，但这两种方式都面临一个共同难题：当智能体首次被部署到一个全新环境时，它没有任何针对该环境任务的先前经验，即存在一个“冷启动”缺口。近期，一篇来自arXiv的论文《PREPING: Building Agent Memory without Tasks》提出了一种名为PREPING的创新框架，旨在让智能体在观察任何目标环境任务之前，仅通过自生成的合成练习来构建程序性记忆，从而绕过这一冷启动问题。

该研究指出，单纯依靠合成交互并不足够。如果不对“练习什么”和“存储什么”进行有效控制，合成任务很容易变得冗余、不可行，甚至毫无信息量。此外，未经筛选的轨迹会导致记忆质量快速下降。针对这些痛点，PREPING框架引入了一个核心组件——提案者记忆（Proposer Memory）。这是一种结构化的控制状态，能够塑造未来的练习方向。其工作流程分为三步：首先，提案者（Proposer）根据当前提案者记忆生成合成任务；然后，求解器（Solver）执行这些任务；最后，验证器（Validator）判断哪些执行轨迹符合条件可以插入记忆，同时提供反馈来指导未来的任务提案。这一闭环机制确保了记忆构建的针对性和有效性。

为了验证PREPING的有效性，研究团队在AppWorld、BFCL v3和MCP-Universe三个基准测试上进行了实验。结果显示，PREPING显著优于无记忆的基线模型，并且其性能与基于离线或在线经验构建的强基线方法（如playbook-based方法）相当。更令人关注的是其在成本上的优势：在AppWorld上，PREPING的部署成本比在线记忆构建方法低2.99倍；在BFCL v3上，这一数字为2.23倍。这表明，通过精心设计的合成练习和选择性记忆更新，智能体可以在不依赖昂贵在线交互的情况下获得接近甚至超越传统方法的性能。

进一步的分析揭示了PREPING成功的关键并非单纯依靠合成数据量，而是得益于提案者侧对可行性、冗余性和覆盖度的控制，以及选择性记忆更新机制。这种“先练习，后记忆”的思路，为智能体在陌生环境中的快速适应提供了一条新路径。它尤其适用于那些无法提前获取任务数据或在线交互成本高昂的场景，例如机器人部署、自动化软件测试或个性化助手初始化等。

总体而言，PREPING框架为智能体记忆研究提供了一个有价值的视角：通过自监督的合成练习和智能化的记忆管理，智能体有可能在“零任务经验”的情况下实现有效的冷启动。这不仅降低了部署门槛和成本，也拓展了智能体在开放世界中的应用可能性。未来，如何进一步优化提案者记忆的表示和更新策略，以及如何将这一框架扩展到更复杂的多模态环境，将是值得探索的方向。