摘要
本文探讨了在不更新模型参数的前提下，利用“上下文”作为补充维度来提升大语言模型性能。针对复杂推理与智能体任务中单纯增加测试时计算量导致的成本高昂及探索低效问题，研究系统分析了如何通过“经验”构建更优输入以引导推理。文章提出“提炼经验”是关键机制，即从经验中提取本质、连贯组织并检索显著信息以构建有效上下文。通过在数学推理、网页浏览及软件工程等任务上的验证，证明了该方法能显著提升智能体表现。
AI 推荐理由
论文核心提出“提炼经验”机制，研究如何从历史经验中提取、组织并检索关键信息构建上下文，属于记忆架构研究。
研究机构
Massachusetts Institute of Technology
MIT-IBM Watson AI Lab
University of Illinois at Urbana-Champaign
University of California, Los Angeles
论文信息