Phronix：面向智能体的能力中心学习范式
事件
科学计算领域越来越多地使用基于大语言模型的智能体来完成性能工程任务，例如插桩、分析和流程迁移。但智能体的效果高度依赖外围框架，而这类框架通常依靠人工编写的技能和整理好的记忆，限制了自主学习的空间，导致智能体反复重新发现解决方案，而无法保留和复用此前的执行知识。为此，研究者提出 Phronix，一种以能力为中心的学习范式，让智能体框架能够从自身执行中获取、验证并精炼可复用的能力。
Phronix 通过“预测—验证—纠正”循环运作：MCP 工具及相关技能提出解决方案，工具执行结果对其进行验证，观测到的结果再用于精炼已存储的能力。系统把每一次交互提炼进能力库，遇到失败任务时继续研究而不是直接放弃。实验显示，学到的能力让重复任务首次尝试即成功的比例达到93%至95%，显著降低了解法的不确定性；每个任务无需用户指令即可产生7.6至30.8项持久能力，而当所需能力已存在时，新增能力降至两项以下。热启动每次任务仅消耗38万至40万token，比单次基线尝试少三到四倍，冷启动成本则不超过基线。
在1000 Genome Pegasus 工作流上，为生产应用做 I/O 性能分析插桩时，Phronix 通过了全部11项正确性检查，基线框架仅通过6项；它还把两个更便宜模型在 SWE-bench 上的任务解决率从29%和27%分别提升到91%和87%，达到最昂贵评测模型的水平。这意味着能力复用有望降低对高价模型的依赖，并提升智能体在科学计算等长流程任务中的可靠性。
来源
本条目由采集管线自动抓取并发布，完整内容见下方来源链接。
*采集源：arXiv cs.AI*