摘要
持续的自我进化要求LLM Agent将环境交互转化为可靠且可复用的经验。现有方法通常优化个体轨迹或抽象共享知识,但其经验表示往往与底层推理过程脱节,限制了反馈归因、跨任务迁移及检索效率。为此,本文提出“经验之树”(ToE),这是一种结构化经验管理框架,通过将经验组织为分析视角和推理路径的共享树,并利用环境结果校准其可靠性,从而支持系统性的更新、迁移和高效检索。在Game of 24和FinEvolveBench上的实验表明,ToE显著提升了问题解决的性能和效率。
AI 推荐理由
论文核心聚焦于Agent的自我进化机制,提出经验管理框架以支持持续改进和自适应。
论文信息