微软研究发布EvoLib：将经验转化为不断演化的知识库
微软EvoLib让AI在推理时从经验中学习并持续演化知识库，无需模型更新即可提升跨任务表现。
EvoLib 让大语言模型在推理时从自身经验中学习，无需人工标注或外部反馈。它把过去的尝试转化为可复用的技能和反思，并通过整合与动态加权不断演化，使AI能从成功与失败中持续提升跨任务表现，且无需更新模型。
正文摘录
 概览 - 自监督。 EvoLib 让大语言模型在推理过程中从自身经验中学习，无需真实标签或外部反馈。 - 从经验到知识。 EvoLib 将过去的尝试转化为可复用的技能和反思性洞察，这些知识可以应用于未来的任务。 - 不断演化的知识。 有用的技能和洞察会被持续精炼、合并和重新加权，将特定实例的观察随时间转化为越来越通用的知识。 - 跨任务迁移的学习。 通过将经验转化为可复用的知识，EvoLib 帮助 AI 模型从过去的成功和失败中学习，并演化出对未来性能提升潜力最大的知识。 - 为当今的 AI 模型构建。 由于 EvoLib 不需要更新模型，它可以应用于任何通过 API 部署的黑盒语言模型和 AI 系统。 记忆已成为 AI 智能体的重要能力：存储和检索过去经验的能力。但仅有记忆并不等于学习。大量过去的对话、推理轨迹或行为历史会迅速膨胀成一个庞大的经验档案，使得为新的任务识别最相关的知识变得困难——更不用说不断精炼和演化这些知识以持续提升性能了。 人类的学习方式不同。我们不会记住过去经验的每个细节。相反，我们记住那些重要的东西：有效的策略、要避免的错误、以及能跨情境迁移的技能。随着时间的推移，这些教训会被精炼为越来越通用和可复用的知识。这种将经验转化为可迁移、可演化知识的能力是人类学习的基础之一。