Designer-RSI：基於使用者流量演進的程式記憶應用於代理式圖形設計
為何重要
此研究揭示了在缺乏標準化監督的長期軟體工作流中，「程式記憶」或類似人類記憶的累積機制是解決 AI Agent 反覆錯誤與長期依賴問題的核心關鍵。對產業而言，這提供了一條跳過昂貴微調或人工註解的實務路徑，讓尚未被模型權重大量覆蓋的弱監督或無監督領域也能透過資料驅動顯著提升效能，改變未來圖形設計等領域的 Agent 最佳化標準。
專業圖形設計屬長期代理任務且缺乏可靠執行預測，Designer-RSI 提出一種持續適應架構：凍結的前沿模型透過超過 230 個工具操作設計軟體，並藉由外部程式記憶自然語言技能，在無更新權重或人為標註下累積與精煉程式。
- 最佳化資料規模：經 5 輪迭代，調整大量 1,406 筆真實使用者提案與 1,869 筆自動評分軌跡。
- 記憶能力成長：程式記憶庫從 76 個基於文件的技能演進至 139 個。
- 執行成功率突飛猛進：在 Claude-Sonnet-4 上，GenEval2 執行成功率從 72.7% 拉昇至 99.3%。
- 競爭優勢：在四個設計基準測試中，較「無技能」代理在 Claude-Sonnet-4 與 Claude-Opus-4.6 分別獲勝 61.8% 與 67.6%。