연구진은 언어 에이전트의 지속적 학습을 엄격하게 평가하기 위한 프레임워크 AgentCL을 발표했어요. AgentCL은 재사용 가능한 하위 솔루션, 증거, 워크플로우를 의도적으로 활용하는 통제된 작업 스트림을 구성하고, 이를 통해 에이전트가 무엇을 배우고 재사용하는지 분석해요. 실험 결과, 통제된 스트림은 에이전트의 지속적 학습 능력을 더 명확하게 보여주며, 기억 설계 선택이 에이전트의 적응성에 미치는 영향을 진단하는 데 도움을 줘요.