🔥 今日值得一读
不微调不换模型，智能体靠抽象经验自我进化，任务性能直接飙升！
Principles that Guide, Actions that Inform: Agent Evolution via Knowledge Abstraction
📖 AI 总结
本文针对大语言模型智能体难以从经验中持续进化的问题展开研究。现有方案中，微调依赖参数访问且计算成本高，外部记忆虽无需修改参数，但知识多与具体任务和情境紧密耦合，泛化能力有限。核心挑战在于如何将具体交互转化为可复用的抽象知识。为此，作者提出SAGA框架，将交互轨迹逐步抽象为情节描述、可复用流程以及带明确适用条件的原理，并保留与执行证据的关联。检索到的原理被实例化为任务指导，通过纠正反馈与重采样优化候选动作，形成执行与抽象的反馈闭环。在ScienceWorld和ALFWorld上的实验表明任务表现有所提升，消融研究进一步验证了情境实例化与动作调节对利用原理级知识的关键作用。
🔑 关键词速览
| LLM Agents | 基于大型语言模型的智能体，能够在交互环境中感知、决策和行动。 |
| External Memory | 外部记忆，指智能体在不修改模型参数的情况下存储和检索经验的机制。 |
| Knowledge Abstraction | 知识抽象，将具体交互经验转化为抽象、可复用知识的过程。 |
| SAGA | 一种通过经验锚定抽象实现自进化智能体的框架，逐步将交互轨迹转化为原理。 |
| Execution-Abstraction Feedback Loop | 执行-抽象反馈循环，指积累的知识指导未来交互，新经验持续更新记忆的循环过程。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅