无教学大纲的预习：任务无关环境预处理

LLM智能体在新环境执行任务前，可以检查语料与工具，构建索引、脚本或流程指南等复用资源。但多数自动适配方法依赖任务示例、轨迹或评价反馈；现有任务无关方法虽避免监督，却预先固定了适用于特定环境的准备策略。我们研究更开放的情形：在测试前、不知道下游任务分布时，智能体能否自行学习陌生环境并决定如何准备？我们形式化任务无关环境预处理，让学习系统在预算内探索环境，为冻结求解器产生资源。在六个异构基准上，将无辅助及带档案的元智能体，与固定合成练习和语料处理方法比较。某元智能体变体在五个基准取得最高Avg@3奖励，最大语料基准则仍由固定语料处理最好。更高学习预算并不可靠地提高下游奖励，但准备产物减少了达到相同分数所需的测试采样，说明复用准备能将计算从反复测试转移至任务前学习。