启发学习框架 Isaac：让大模型在推理时复用跨领域旧经验
启发学习框架 Isaac 通过跨领域经验检索与注入，让大模型在推理时复用旧思路，无需重训。
现有大模型的能力多靠外部脚手架堆叠，换场景就要重写流程。新提出的启发学习框架 Isaac 不改模型权重，在推理时检索跨领域旧经验并注入，让模型在新问题上调用已有解题思路。其两条技术路径 DIN 与 CoDA 分别从提示和网络层实现迁移。
正文摘录
.jpg)  过去两年，大模型几乎重写了人机协作的默认想象：写代码、查资料、做分析，似乎都能 “一问即答”。但仔细看会发现，当下很多能力并不是模型自己长出来的，而是人为地在外面包了一层又一层框架。 人类先定流程、写 Skills、建知识库；参数继续变大，工具链继续变厚。Agent、Skills、Function Calling、RAG、Harness 轮番上场，把临时判断固化成可调用的工作流。这套做法有效，也撑起了眼下的繁荣。 问题在于，能力上限往往卡在脚手架上。换场景就要重写流程，换工具就要重排提示和权限。系统看起来更能干，知识却越来越多地挂在流程外面。另一条路更接近人类怎么学：复盘成败，把结构相近的问题连起来，把一次有效推理留到下次还能用。 现在主流方案多停在接口与检索，很少把 “经验怎么复用” 写进推理本身。外挂和算力人人都能堆，更难的是，让模型在新问题上自己调用旧经验。我们把这条路线命名为 “启发学习（Inspirational Learning）”，并把它集成到推理侧，取名 Isaac（源自牛顿的名字，寓意 “站在巨人肩膀上”）。