PRIME：通过迭代记忆进化实现面向用户代理的免训练主动推理

针对复杂长程任务中用户需求动态不确定的挑战，现有强化学习方法存在训练成本高及信用分配困难的问题。本文提出 PRIME 框架，这是一种无需梯度的学习范式，通过显式经验积累而非参数优化实现代理持续进化。该框架将多轮交互轨迹提炼为包含成功策略、失败模式及用户偏好的结构化经验，并通过元操作使其进化，利用检索增强生成指导未来行为。实验表明，PRIME 在保持成本效益与可解释性的同时，性能媲美基于梯度的方法。