论文页面 - GEPA-Curator：面向自我改进智能体的精选学习

来源：https://huggingface.co/papers/2610.37651 作者：

,

,

,

,

,

,

,

,

,

摘要

GEPA-Curator 通过过滤不可靠的失败信号并检索过往成功经验，改进智能体提示词优化，提升在多个基准测试中的表现.

大型语言模型 (LLM) 越来越多地被用于多轮智能体工作负载 (https://huggingface.co/papers?q=agentic%20workloads)，这些工作负载需要与复杂环境持续交互. 现有的反思式提示词优化器 (https://huggingface.co/papers?q=reflective%20prompt%20optimizers)，如 GEPA (https://huggingface.co/papers?q=GEPA)，会从失败的执行轨迹 (https://huggingface.co/papers?q=rollouts) 中学习，但智能体的失败也可能源于提示词的不足、运行框架的局限、执行的随机性或评判器的噪声. 我们认为，此类失败可能无法提供有用的学习信号，甚至可能有害；因此，为提升性能，精心筛选提供给提示词优化器的任务至关重要. 我们提出 GEPA (https://huggingface.co/papers?q=GEPA)-Curator，这是一个增强提示词优化器的框架，用于选择哪些智能体经验应当影响提示词优化 (https://huggingface.co/papers?q=prompt%20optimization). 具体而言，GEPA (https://huggingface.co/papers?q=GEPA)-Curator 包含两个组件：任务筛选 (https://huggingface.co/papers?q=task%20curation)，用于过滤可能提供嘈杂或不可靠学习信号的任务；以及过往成功经验检索 (https://huggingface.co/papers?q=prior%20success%20retrieval)，用于有选择地检索某项任务过去的成功轨迹，并将其作为额外上下文提供给提示词优化器. 我们在 GoBrowse、ALFWorld、AppWorld 和 τ-bench 上评估了 GEPA (https://huggingface.co/papers?q=GEPA)-Curator，分别使用 Gemini 3.1 Pro 和 Claude Opus 5 作为优化器模型. GEPA (https://huggingface.co/papers?q=GEPA)-Curator 的平均性能达到或超过两个基线，相较 GEPA (https://huggingface.co/papers?q=GEPA) 最高提升 20.7%，相较 ACE 最高提升 21.2%.

查看 arXiv 页面 (https://arxiv.org/abs/2610.37651)查看 PDF (https://arxiv.org/pdf/2610.37651)添加到合集 (https://huggingface.co/login?next=%2Fpapers%2F2610.37651)

在你的智能体中获取这篇论文：

hf papers read 2610\.37651

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

引用这篇论文的模型0

没有模型关联这篇论文

在模型的 README.md 中引用 arxiv.org/abs/2610.37651，即可从此页面链接到该模型.

引用这篇论文的数据集0

没有数据集关联这篇论文

在数据集的 README.md 中引用 arxiv.org/abs/2610.37651，即可从此页面链接到该数据集.

引用这篇论文的 Space0

没有 Space 关联这篇论文

在 Space 的 README.md 中引用 arxiv.org/abs/2610.37651，即可从此页面链接到该 Space.

收录这篇论文的合集0

没有合集收录这篇论文

将这篇论文添加到合集 (https://huggingface.co/new-collection)，即可从此页面链接到该合集.