微软提出 EvoLib：让大模型在推理中自我进化知识
Microsoft Research · rss · 2026-07-31
微软研究院发表论文并开源了 EvoLib 框架，旨在让大语言模型在不更新底层参数、无需人工标注的情况下，于推理阶段从自身经验中持续学习。
核心机制
- 知识转化：将历史尝试提炼为可复用的技能或反思性见解，而非单纯堆砌原始记忆。
- 动态进化：通过合并机制将新旧知识整合为更通用的规则；基于长期贡献度动态调整知识权重，淘汰无效记忆。
实验效果
在数学推理、受限制的代码编写以及长线决策任务中，EvoLib 的表现持续优于传统的检索式记忆方法，且对算力的利用效率更高。此外，该框架对任务出场的先后顺序具有极强的鲁棒性，能够从容应对真实场景中高度混杂的用户请求流。
「编程与Agent」频道最新
- Plannator 发布技能：用 HTML 生成 Agent 交互原型 — tom_doerr · 2026-08-24
- DocketBird MCP 服务器：支持搜索下载法院文档 — modelcontextprotocol · 2026-08-24
- AgentLux MCP 服务器：支持市场和社交流程 — modelcontextprotocol · 2026-08-24
- MongoDB 发布 Agent 工具包，让编码助手精通数据库 — TheTuringPost · 2026-08-24
- 开发软件前先让 Agent 查开源库，99% 的情况是正解 — generativist · 2026-08-24
- 开发者瓶颈不在 AI 上下文，而在人脑认知负荷 — Vidhrohi · 2026-08-24