新基准测试 LLM 智能体能否自我改进

多篇新的 arXiv 论文评估了 LLM 智能体能否通过积累经验、外部技能库和流式任务接触来提升能力。ContinualSkillBench 推出一个覆盖五个领域的基准测试，每个领域包含 100 个相互关联的子任务，并发现按顺序执行任务往往能提升表现，但增益会因模型和领域而异。相关研究还指出，显式的技能维护并不总是优于上下文内适应；而具备领域感知的技能检索和选择性记忆方法，可能在更窄的场景中有所帮助。