一句话版本：长程任务让单体智能体又拆又干又验，效率低；把每个专门化能力做成可复用的「选项」存进库，元智能体调度子任务、验证结果、把成功的新选项准入——库跨任务增长、模型权重不动，SWE-bench 解决率 58.6%。
一个长任务往往需要好几种能力：拆解、执行、验证、调试。常见做法是让一个智能体在一条轨迹里全干完。问题很快暴露：重复的子任务每次都从零做起，上一回跑通的「怎么处理某类报错」经验，下一回全丢了。
这篇论文叫 LAGO（Language Agents with Reusable Growing Options），它把「专门化智能体」抽象成可复用、会生长的选项——借鉴的是强化学习里「选项（option）」的概念。
核心机制：库 + 元智能体 + 准入
LAGO 的三个动作：
- 取或造：元智能体面对子任务时，先从持久化库里取已有选项；库里没有就 spawn 一个新的专门化 agent 来处理。
- 调度+验证：元智能体把子任务派给选项，拿到结果后验证——通过就用，不通过记录失败。
- 准入：成功处理过新子任务的选项，被写入库，下次同类子任务可直接复用。
关键的克制点：模型权重不动。库的增长靠的是「成功选项的沉淀」，不是重新训练。这把「积累能力」和「改模型」解耦——能力增长不依赖昂贵的训练循环。
实测：固定模型下，库越大越强
在 500 个 SWE-bench Verified 任务上，固定的一个 35B 级开源模型同时担任元智能体和选项角色，单次尝试解决率 58.6%（官方 Docker 评估器）。
更有说服力的是对照实验（固定 150 任务子集，同策略、同温度、同任务 ID、同评估器）：
- mini-SWE-agent：49.3%
- Terminus 2：57.3%
- LAGO：60.3%——领先两个已有系统。
消融实验（50 任务组件消融）进一步说明库的各部分都在起作用：去掉拆解少解 4 个、打乱复用内容少解 2 个、去掉整个库少解 6 个——库的贡献最大。这说明「可复用选项」不是锦上添花，是这套方法的核心杠杆。
给智能体构建者的启示
这篇论文对正在做智能体工程的团队有几条直接可用的判断：
- 重复子任务是浪费的大头。识别哪些子任务反复出现，把它们的能力固化成可复用单元，收益往往超过堆叠更多一次性逻辑。
- 能力沉淀要和模型权重解耦。靠「成功经验入库」积累能力，比每次改模型便宜一个数量级，也更可控。
- 验证+准入是库质量的闸门。不是所有跑过的子任务都该入库——只有被验证成功的才准入，否则库会被噪声选项污染，反而拖累后续复用。
这套理念在 BuddyMe 里有直接落点：定时任务首次跑通后沉淀为可复用技能，之后确定性回放——本质就是「把跑通的经验固化成选项、跨任务复用」。技能库按需加载、不塞进每次上下文，与 LAGO 的「库外置、按需取用」同构。让能力靠积累生长，而不是靠更大的模型硬扛，是更可持续的工程路径。
论文：LAGO: Language Agents with Reusable Growing Options（arXiv:2610.19843）。
>
BuddyMe 每日免费 4500 万 Token，任务跑通即沉淀技能、跨任务复用，能力靠积累生长。
