智能体要变强，不一定非得换更强的模型。ReGE的做法很朴素：把过往执行记录变成下一轮的指导。ReGE-Syn一次模型调用就把执行记录和产物一起合成出来，把任务发现、建议动作和潜在风险串成一条线。生成、合成、执行用的是同一个基础模型，不更新参数，也不用教师模型。四项基准上，GPT准确率平均涨9.9个百分点，Claude涨8.8个百分点；BrowseComp-Plus匹配子集上，构建指导用的token还少了不少。
经验值钱，验证也值钱。另一项研究把验证当作测试时扩展来分析，在Terminal-Bench和SWE-bench Verified上拿7个前沿编程模型比了17种验证设计，还顺手推出VisualBench，评估视觉和交互成果。结果有点扎心：初始指令和执行中的提醒，平均提升有限，还因模型而异。
完成检查能带来更大改进，代价是成本明显上升。独立批评者审查是性价比最高的那条路：Terminal-Bench平均涨5.9到9.5个百分点，SWE-bench涨3.9到6.6个百分点，成本只比基线略高。多审几轮，结果还能继续往上走。
麻烦在于记忆会记错。ReHarness盯的就是“错误经验被反复调用”：保留反思对应的原始轨迹，用后续使用结果收紧旧经验的条件，再让修好的记录去指导新经验写作。经验写完不算完，得能被检验，也得能被回滚。
三条线说的是同一件事：经验写对，检查做实，错的经验改回来。智能体的进步越来越像工程活。模型本身不用动，外围的经验和验证机制就能多榨出十几个百分点。这比等下一代模型实在得多。