反思性上下文学习：研究上下文空间的优化原语

通用代理需从经验中学习以泛化至不同任务与环境。针对上下文空间中存在的信用分配、过拟合及局部最优等挑战，本文提出反思性上下文学习（RCL）框架。该框架通过反复交互、行为反思及上下文迭代更新，将反思转化为类似梯度的方向信号，并利用变异机制优化未来行为。研究系统引入了批处理、失败回放等经典优化原语，在多个基准测试中显著优于强基线，证明上下文更新应被视为可系统性优化的问题。