普林斯顿与 Meta 研究用小型适配器减少 AI 智能体重复犯错

普林斯顿大学和 Meta 发表了一篇关于 AI 智能体持续改进的不错的新论文。

论文发现，如果将每次修正保存为 LoRA 适配器，并在类似任务中重复使用，智能体就会更少重犯错误。

智能体可以在一次会话中纠正错误，却往往会在下一次会话中重犯。上下文中的笔记会被遗忘，而对整个模型进行微调成本高昂，还可能干扰其他技能。

使用 Self-Direction 时，任务失败的智能体会反思自己的运行过程，并将经验训练成一个大小约为模型 0.02% 的 LoRA 适配器。之后，当智能体在类似任务上失败时，路由器会加载最匹配的适配器。

使用 Qwen3.6-27B 时，GAIA 上的任务成功率从 38.8% 升至 55.8%，超过了上下文中的反思和 Skills.md 文件的效果。在此前的 185 次错误中，67.3% 的修正在第 3 次遇到相同问题时仍然有效，而直接重试的这一比例为 42.9%。

如果你的智能体不断犯同样的错误，就把每次修正保存为可重新加载的小型适配器，而不只是记在提示词笔记里。