EvoLib：将经验转化为不断进化的知识

微软提出EvoLib框架，使大语言模型在推理时从自身经验中自主学习，将原始经历转化为不断进化的可重用知识，无需更新模型参数。

• EvoLib不依赖真实标签或外部反馈，通过自我监督学习。
• 知识单元包括从成功方案中提炼的技能和从错误中学习的反思洞察。
• 系统通过合并相似知识将其泛化，并通过加权机制优先保留长期效用高的知识。
• 在数学推理、代码生成和长程决策任务上，EvoLib一致优于基于检索的记忆方法和抽象记忆机制。
• 随着测试时计算量增加，EvoLib的性能提升速度超过现有方法。

• EvoLib transforms past attempts into reusable skills and reflective insights that can be applied to future tasks.
• Across all three benchmarks, EvoLib achieves higher performance throughout most of the compute range and improves performance more rapidly with increasing compute.
• These results suggest that the key to better learning may not simply be storing more memories or spending more compute.