연구진은 언어 에이전트의 지속적 학습을 엄격하게 평가하기 위한 AgentCL 프레임워크를 발표했어요. AgentCL은 재사용 가능한 하위 해결책, 증거, 워크플로우를 의도적으로 활용하는 제어된 작업 스트림을 구성하고, 이를 무작위 스트림과 비교 분석해요. 실험 결과, 제어된 스트림은 지속적 학습을 위한 메모리 설계의 차이를 명확하게 보여주는 반면, 무작위 스트림은 차이를 구분하기 어렵다는 것을 확인했어요.