论文页面 - Recurrent Harness for Agentic Continual Learning

来源：https://huggingface.co/papers/2610.12668

摘要

大语言模型智能体越来越多地在长时间的交互流中运行，需要通过持续学习来在线适应分布偏移。然而，现有的智能体框架通常要么仅通过前向信息流来演进状态，要么依赖额外的回放或验证数据来优化框架。为了解决这一问题，我们提出了 ReHarness，一个面向智能体持续学习的循环框架（recurrent harness），它在严格在线流式协议下，通过反向修正来补充前向读写操作。我们提出的问题是：在框架状态中，哪些信息可以被以不同的方式捕获，从而更好地为流中的当前实例提供指导。具体而言，在每个实例之后，我们利用产生的执行轨迹作为反馈，来修正该实例所检索到的反思内容，从而通过文本框架状态将反馈进行反向传播。在三个持续学习基准和三种大语言模型骨干网络上，ReHarness 持续优于强大的原始上下文基线、基于记忆和反思的方法，以及提示词优化方法。进一步的分析表明，ReHarness 能够产生基于来源且有意义的修正，在分布偏移下纠正过度泛化或过时的经验，并在持续学习过程中同时提升稳定性和可塑性。

查看 arXiv 页面 (https://arxiv.org/abs/2610.12668)　查看 PDF (https://arxiv.org/pdf/2610.12668)　添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2610.12668)

在你的智能体中获取此论文：

hf papers read 2610.12668

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

引用此论文的模型 0

没有模型关联此论文

在模型 README.md 中引用 arxiv.org/abs/2610.12668，即可从此页面链接该论文。

引用此论文的数据集 0

没有数据集关联此论文

在数据集 README.md 中引用 arxiv.org/abs/2610.12668，即可从此页面链接该论文。

引用此论文的 Spaces 0

没有 Space 关联此论文

在 Space README.md 中引用 arxiv.org/abs/2610.12668，即可从此页面链接该论文。

包含此论文的合集 0

没有合集包含此论文

将此论文添加到合集 (https://huggingface.co/new-collection)，即可从此页面链接该论文。