arXiv cs.AI· Xinhua Miao, Yuanzhen Rong, Weiru Zhang, Xiaoyi Zeng·· 13 小时前AI 评分40
KARMA：面向工业广告智能体的免训练知识原子化演进框架
KARMA: Training-Free Knowledge-Atomic Harness Evolution for Industrial Advertising Agents
AI 导读
KARMA 是一个免训练框架，通过演进六个类型化知识模块来适配工业广告智能体，同时保持模型权重和执行代码冻结。在约 50 万条真实运营日志、六个电商域的 18 个域-模型设置上，KARMA 将平均留出分数从 30.19 提升至 39.15（+8.96 分，+29.7%）。消融显示移除成功或失败轨迹任一项都会使平均增益减半以上，演进后的知识还可跨域迁移，平均增益 8.54 分。
正文 · AI 翻译
摘要：工业广告智能体必须不断调整其决策知识，以适应不断变化的产品供应、流量模式和运营策略。我们提出 KARMA（Knowledge-Atomic, Regression-Gated Modular Adaptation，知识原子化、回归门控的模块化适配），这是一个无需训练的框架，它在保持模型权重和可执行 harness 代码冻结的同时，演化六个类型化知识模块。在我们的演化过程中，确定性 Trace Verifier 将观察到的错误映射到候选模块，Critic 比较成功与失败的轨迹，以指导受工具约束的 Evolver。Evolver 执行原子化知识编辑，固定的验证门控仅在其测得的增益达到阈值时才保留这些编辑；否则，恢复先前的知识状态。我们在从六个电子商务领域约五十万条真实运营日志语料中采样的案例上，用三个 LLM 系列评估 KARMA。在 18 个领域—模型设置中，KARMA 将平均留出分数从 30.19 提升到 39.15（+8.96 分，+29.7%）。消融实验表明，移除成功轨迹或失败轨迹中的任一种，都会使平均留出增益减少一半以上。演化后的知识还能在无需进一步适配的情况下跨领域迁移，在所有源—目标对上平均留出增益为 8.54 分。通过将保留的补丁与其诊断证据和验证结果关联起来，KARMA 支持 Web 市场中智能体可检查、可逆的知识适配。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.39884 [cs.AI] |
| （或 arXiv:2610.39884v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.39884 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yuanzhen Rong [查看电子邮件]
[v1]
2026 年 10 月 29 日星期四 11:59:01 UTC（3,422 KB）
来源：arXiv cs.AI · arxiv.org