AutoRefine：从轨迹到可复用的经验，用于持续 LLM 智能体精炼
人工智能
2026-02-02 v1
摘要
大型语言模型智能体往往无法从经验中积累知识，将每个任务都当作独立挑战来对待。最近的一些方法将经验提取为扁平化的文本知识，无法捕捉复杂子任务的程序逻辑，也缺乏维护机制，导致随着经验积累而导致的存储库退化。我们引入 AutoRefine 框架，从智能体执行历史中提取并维护双形式的经验模式。对于程序化子任务，我们提取具有独立推理和记忆能力的专用子智能体。对于静态知识，我们提取技能模式作为指南或代码片段。持续维护机制对模式进行评分、修剪和合并，以防止存储库退化。在 ALFWorld、ScienceWorld 和 TravelPlanner 上的评估显示，AutoRefine 分别达到了 98.4%、70.4% 和 27.1%，且步骤减少了 20%~73%。在 TravelPlanner 上，自动提取的性能（27.1%）显著优于人工设计的系统（12.1%），表明其能够捕捉到程序化协调能力。
引用
@article{arxiv.2601.22758,
title = {AutoRefine: From Trajectories to Reusable Expertise for Continual LLM Agent Refinement},
author = {Libin Qiu and Zhirong Gao and Junfu Chen and Yuhang Ye and Weizhi Huang and Xiaobo Xue and Wenkai Qiu and Shuo Tang},
journal= {arXiv preprint arXiv:2601.22758},
year = {2026}
}
备注
8 pages, 3 figures, 3 tables