arXiv cs.CL· Yixu Huang, Jiaqi W. Ma·· 2 天前AI 评分29
RIKA：面向持续学习智能体的可靠知识获取方法
Reliable Knowledge Acquisition for Continual Learning Agents
AI 导读
针对持续学习智能体从任务流中提取的知识约 12–33% 会损害后续任务表现的问题，研究者提出 RIKA（Reliable Knowledge Acquisition），将事实、概念、程序与元认知知识的分层提取与基于证据的知识准入机制结合，无需额外验证任务即可决定哪些主张进入智能体上下文。
正文 · AI 翻译
摘要：随着由基础模型驱动的智能体进入开放式环境，从经验中持续学习变得至关重要。对于基于固定参数模型构建的智能体而言，这种学习需要在上下文中复用先前的任务经验，以提升未来任务的性能与效率。现有的记忆与经验学习系统通常只关注保留的事实或流程，缺乏一种机制来确立从持续任务流中提取的论断的可靠性。事实上，我们发现代表性系统产生的条目中约有 12--33\% 在复用时反而会损害未来任务的表现。为解决这些局限，我们提出 \textbf{RIKA}（可靠知识获取），它将事实性、概念性、流程性和元认知知识的分层提取与基于证据的知识准入相结合，后者利用来源证据和后续经验来决定哪些论断进入任务智能体的上下文，而无需额外的验证任务。在 Continual Learning Bench 的六个任务流和四个模型主干上，RIKA 在每个主干上都取得了最高的综合得分。
| 学科： | 计算与语言（cs.CL）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.21739 [cs.CL] |
| （或 arXiv:2610.21739v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.21739 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Yixu Huang [查看电子邮件]
[v1]
2026年10月15日星期四 11:55:57 UTC（1,938 KB）
来源：arXiv cs.CL · arxiv.org