通过真实世界基于案例的学习实现自主智能体的可迁移专长

基于LLM的自主智能体在通用推理任务上表现良好，但在复杂现实场景中仍难以可靠地运用任务结构、关键约束与先验经验。我们提出一个基于案例的学习框架，将过往任务经验转化为可复用的知识资产，使智能体能够将先前的案例经验迁移到新任务并进行更有结构性的分析。与主要依赖预训练知识或静态提示的方法不同，我们的框架强调从真实案例中提取并复用任务相关知识、分析性提示与操作技能。我们在包含六个复杂任务类别的统一基准上评估该方法，并与Zero-Shot、Few-Shot、Checklist Prompt和Rule Memory基线进行比较。结果显示，我们的方法在所有任务上都保持强劲表现，在每种情况下都持平或超越最佳基线，在更复杂的任务上优势尤其明显。进一步分析表明，基于案例学习的优势随任务复杂度提升而增大，且一个智能体获得的实用知识可被其他智能体复用。这些发现表明，基于案例的学习为构建面向现实工作的专业智能体提供了一条有前景的路径。