利用持续学习：超越模型参数的持续适应

持续学习很大程度上以模型为中心，将模型参数视为随顺序经验而变化的状态。现代代理还可以通过提示、记忆、工具、技能和路由​​规则来适应。由于这些内容共同影响了以后的执行，因此即使模型被冻结，Harness更新也可能会破坏以前可靠的行为。这就提出了一个新问题：智能体如何在保留之前获得的行为的同时不断改进模型之外的状态？我们制定了利用工具持续学习（HCL），这是一种新的持续学习范式，其中利用工具围绕冻结的基础模型演变，并将由此产生的早期行为损失定义为利用工具级别的遗忘。我们用四个面向执行的组件实例化 HCL：任务接口、经验内存、能力映射和自适应路由器。我们进一步引入受保护的Harness演化，将更新生成与状态承诺分开。持续优化器根据执行后反馈建议候选工具，持续评估器仅在检查当前改进、历史保留和有效性后才提交最终的候选工具。文本推理、多模态感知和开放世界交互的实验证明了能力积累和故障恢复，在多种设置下相对于相应基线的相对增益超过 10%。组件消融评估每个Harness组件的贡献，而受控保留扫描揭示了可测量的Harness级别遗忘，并表明可以明确调整稳定性与可塑性的权衡。