PRECEPT：通过经验、上下文工程与轨迹探查实现规划韧性——一个采用组合规则学习与Pareto引导提示演化的测试时适应统一框架

以自然语言存储知识的LLM智能体，会随条件数量增长而遭遇陡峭的检索退化，常常难以可靠地组合已学得的规则，且通常缺乏检测过时或对抗性知识的显式机制。我们提出PRECEPT，一个用于测试时适应的统一框架，包含三个紧密耦合的组件：(1) 在结构化条件键上进行确定性的精确匹配规则检索；(2) 冲突感知记忆，具备贝叶斯信源可靠性与基于阈值的规则失效机制；(3) COMPASS，一个Pareto引导的提示演化外循环。精确检索消除了确定性路径上的部分匹配解释错误（按构造为0%，而在N=10时按定理B.6的独立性模型为94.4%），并通过语义层级（semantic tier hierarchy）支持组合式堆叠；冲突感知记忆解决静态与动态知识间的分歧并支持漂移适应；COMPASS通过同一端到端执行流水线来评估提示词。结果（9–10个随机种子）：PRECEPT相对Full Reflexion取得+41.1pp的首次尝试优势（d>1.9）、+33.3pp的组合泛化（d=1.55）、在2路物流（logistics）组合上100% $P_1$（d=2.64）、+40–55pp的持续学习增益、在对抗性静态知识下的强最终稳健性（对抗性SK激活时物流任务100%；integration任务部分恢复）、+55.0pp的漂移恢复（d=0.95，p=0.031），以及减少61%的步数。核心对比均具有统计显著性，常达p<0.001。