论文页面 - ReGE：通过经验合成构建更强的智能体

来源：https://huggingface.co/papers/2610.33861

摘要

ReGE 将记录的智能体执行经验转化为合成的指导信息，从而改进后续的任务尝试，无需更强的教师模型或参数更新。

对交互式任务的反复尝试会揭示事实、有用的操作以及失败教训，这些都可以为后续的执行提供参考。我们提出了 ReGE（https://huggingface.co/papers?q=ReGE），一个将这些记录的经验转化为全新尝试的指导信息的框架。其主要实现 ReGE-Syn（https://huggingface.co/papers?q=ReGE-Syn）通过一次教练调用，联合合成有限执行记录（https://huggingface.co/papers?q=bounded%20execution%20records）和可用的工件，生成自包含的指导信息（https://huggingface.co/papers?q=self-contained%20guidance），将特定任务的发现与建议操作及相关陷阱联系起来。学生智能体从任务的初始环境状态出发，并将该指导信息适配到当前观察中。源生成、合成和学生执行均使用相同的基础模型，无需参数更新或更强的教师。在四个基准测试中，与无指导的执行相比，ReGE（https://huggingface.co/papers?q=ReGE）使 GPT 的准确率平均提高 9.9 个百分点，使 Claude 的准确率平均提高 8.8 个百分点。在匹配的 BrowseComp-Plus 子集上，与改进版 AggAgent 相比，ReGE-Syn（https://huggingface.co/papers?q=ReGE-Syn）将指导构建的 token 用量在 GPT 上减少 98.2%，在 Claude 上减少 95.5%，且观察到了成功案例。合并的构建与执行 token 用量分别下降 15.7% 和 35.4%（计算输入加输出，排除源生成）。BrowseComp-Plus 的消融实验进一步表明，访问过程信息（https://huggingface.co/papers?q=process%20information）与学生智能体更少的执行步骤相关，并且联合合成（https://huggingface.co/papers?q=joint%20synthesis）相比直接历史或独立摘要能生成显著更短的指导信息，且观察到了成功案例。这些结果展示了智能体如何利用自身记录的经验来改进后续任务的完成，并暗示了一种低成本的方式来整合并行智能体系统（如智能体群）的执行记录。

查看 arXiv 页面（https://arxiv.org/abs/2610.33861） 查看 PDF（https://arxiv.org/pdf/2610.33861） 项目页面（https://tiger-ai-lab.github.io/ReGE/） GitHub（https://github.com/TIGER-AI-Lab/ReGE） 添加到收藏夹（https://huggingface.co/login?next=%2Fpapers%2F2610.33861）

引用此论文的模型 0

暂无关联此论文的模型

在模型 README.md 中引用 arxiv.org/abs/2610.33861，即可将模型与本页面关联。

引用此论文的数据集 0

暂无关联此论文的数据集

在数据集 README.md 中引用 arxiv.org/abs/2610.33861，即可将数据集与本页面关联。

引用此论文的 Spaces 0

暂无关联此论文的 Space

在 Space README.md 中引用 arxiv.org/abs/2610.33861，即可将 Space 与本页面关联。

包含此论文的收藏夹 0

暂无包含此论文的收藏夹

将此论文添加到收藏夹（https://huggingface.co/new-collection）即可将收藏夹与本页面关联。