通过现实世界基于案例的学习实现自主代理的可迁移专业知识

针对基于大语言模型的自主代理在复杂现实场景中难以可靠利用任务结构及先前经验的问题，本文提出一种基于案例的学习框架。该框架能将过往任务经验转化为可复用的知识资产，使代理能够将先验案例经验迁移至新任务并进行更结构化的分析。与主要依赖预训练知识或静态提示的方法不同，本框架强调从真实案例中提取并重用任务相关知识、分析性提示及操作技能。实验表明，该方法在各类复杂任务中表现优异，且案例学习的优势随任务复杂度增加而显著提升。