📖 AI 总结

当前对已部署AI系统的优化，越来越多地转向提示词、技能、工具链与代码等外部构件的调整，而非修改模型权重。这类优化通常采用“提议—评估—筛选”流程，只保留满足接受标准的候选方案，但被淘汰的候选往往蕴含对后续优化至关重要的信息，直接丢弃会导致后续提议重复陷入相同失败模式。为此，作者提出Mara Chain，将被拒绝的候选保留下来，并利用此前尝试积累的证据对其进行迭代精炼，同时通过固定精炼链深度和帕累托过滤的Top-N选择来控制候选池规模。在AppWorld技能优化、TerminalBench 2.1工具链优化和MuSiQue检索流水线优化三项任务中，该方法以更少的 rollout 取得更大性能提升，相对表现最高超出GEPA、ACE和SkillOpt-Lite达20.5%，并以比GEPA少65.5%的rollout达到目标分数；在TerminalBench 2.1上通过率分别比AHE和Meta-Harness提升20.2和22.5个百分点，在MuSiQue上nDCG@10和Recall@10分别提升0.104和0.131。该工作表明，失败候选并非噪声，而是可被系统性再利用的优化资源。

🔑 关键词速览