Iterative Experience Refinement of Software-Developing Agents

本文介绍了迭代经验细化框架，使得大型语言模型（LLM）代理能够在任务执行期间迭代地细化经验，从而提高代理的适应性。作者提出了两种基本模式：连续模式和累积模式。其中，连续模式是基于任务批次内最近的经验进行细化，而累积模式则是获取所有先前任务批次的经验。此外，作者还提出了一种启发式经验消除方法，可以有效地管理经验空间并提高效率。实验结果表明，虽然连续模式可能会产生更好的结果，但累积模式提供了更稳定的性能。此外，经验消除可以使用高质量子集的仅11.54％来实现更好的性能。

论文试图解决LLM代理的静态经验范式的问题，提出迭代经验细化框架，增强代理的适应性。

迭代经验细化框架，使LLM代理能够在任务执行过程中迭代细化经验，提高效率和适应性。

论文提出两种基本模式：连续模式和累积模式，并使用启发式经验消除来管理经验空间，提高效率。实验结果表明，累积模式提供更稳定的性能，而经验消除可以使用高质量子集实现更好的性能。

最近的相关研究包括：《基于深度强化学习的自适应任务分配》、《基于深度学习的自适应控制方法》等。