论文页面 - EvoDS：具有技能学习和上下文管理的自演化自主数据科学代理

来源：https://huggingface.co/papers/2606.03841

摘要

EvoDS 引入了一个自演化的自主数据科学代理，通过技能获取和基于强化学习的自适应上下文管理来增强自身能力。

近期大型语言模型（LLM）代理的进展为自动化数据科学带来了可喜的进步。然而，现有方法仍受限于其静态的动作集合，且缺乏原则性的长程上下文管理，这阻碍了它们在多阶段、迭代式数据科学流程中跨任务积累可复用经验，以及可靠运行的能力。为解决这些挑战，我们提出了 EvoDS——一个自演化的自主数据科学代理，它通过智能体强化学习（https://huggingface.co/papers?q=agentic%20reinforcement%20learning）来学习扩展自身技能并自适应地管理长程上下文。具体而言，EvoDS 引入了两个关键策略：(1) 自主技能获取（https://huggingface.co/papers?q=Autonomous%20Skill%20Acquisition）（ASA）机制，使代理能够合成、验证并复用可执行技能；(2) 自适应上下文压缩（https://huggingface.co/papers?q=Adaptive%20Context%20Compression）（ACC）策略，将上下文管理视为一个经过学习控制的优化问题，而非被动截断。这些策略在一个两阶段的多代理训练（https://huggingface.co/papers?q=multi-agent%20training）方案中协同运作，使 EvoDS 能够随时间自主改进。理论上，我们证明了 EvoDS 的分层设计降低了工具选择错误，其优化目标与信息瓶颈原则（https://huggingface.co/papers?q=information%20bottleneck%20principle）一致，确保了上下文的高效使用。实验上，EvoDS 在四个不同基准测试中平均优于最先进的开源数据科学代理 28.9%，同时消除了令牌耗尽型失败。我们的代码和数据可在 https://github.com/usail-hkust/EvoDS 获取。

查看 arXiv 页面（https://arxiv.org/abs/2606.03841）查看 PDF（https://arxiv.org/pdf/2606.03841）项目页面（https://huggingface.co/yangzhr/EvoDS）GitHub1（https://github.com/usail-hkust/EvoDS）添加到收藏集（https://huggingface.co/login?next=%2Fpapers%2F2606.03841）

在您的代理中获取此论文：

hf papers read 2606.03841

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

没有链接此论文的模型

在模型 README.md 中引用 arxiv.org/abs/2606.03841 以从此页面链接。

引用此论文的数据集0

没有链接此论文的数据集

在数据集 README.md 中引用 arxiv.org/abs/2606.03841 以从此页面链接。

引用此论文的 Spaces0

没有链接此论文的 Space

在 Space README.md 中引用 arxiv.org/abs/2606.03841 以从此页面链接。

包含此论文的收藏集0

没有包含此论文的收藏集

将此论文添加到一个收藏集（https://huggingface.co/new-collection）以从此页面链接。