摘要
本文提出一种行为评估框架，解决聚合指标掩盖智能体决策质量的问题。该框架利用大语言模型裁判对决策轨迹进行多维评分，并将低分转化为惩罚项融入强化学习奖励函数，形成闭环反馈。实验表明，通过三次微调循环，系统在测试集上的预测误差显著降低，夏普比率提升 18%，尤其在市场高波动期间表现优异，实现了基于行为反馈的系统自我进化。
AI 推荐理由
论文核心在于利用评估反馈闭环驱动 Agent 自我改进与微调，显著提升性能，符合自我进化定义。
研究机构
School of Electrical Engineering and Computer Science, University of Ottawa, Ottawa, Canada
论文信息