论文
AutoRefine：从轨迹到可重复使用的专业知识，持续改进 LLM 代理
AutoRefine: From Trajectories to Reusable Expertise for Continual LLM Agent Refinement
摘要
大语言模型代理通常无法从经验中积累知识，将每项任务视为独立的挑战。最近的方法将经验提取为扁平化的文本知识，无法捕获复杂子任务的程序逻辑。它们还缺乏维护机制，导致存储库随着经验的积累而退化。我们引入 AutoRefine，一个从代理执行历史中提取和维护双形式体验模式的框架。对于程序子任务，我们提取具有独立推理和记忆的专门子代理。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，以防止存储库降级。在 ALFWorld、ScienceWorld 和 TravelPlanner 上进行评估，AutoRefine 分别实现了 98.4%、70.4% 和 27.1%，步数减少了 20-73%。在 TravelPlanner 上，自动提取超过了手动设计的系统（27.1% vs 12.1%），证明了其捕获程序协调的能力。
