是时候为传统微调献上挽歌了屿科配资。
一项全新研究，刚刚又给微调致命一击。
来自斯坦福大学、SambaNova Systems 公司和加州大学伯克利分校的研究人员，在新论文中证明：
依靠上下文工程，无需调整任何权重，模型也能不断变聪明。
他们提出的方法名为智能体上下文工程 ACE。
ACE 不依赖模型重新训练，而是让上下文自主进化，通过反复生成、反思并编辑自己的提示，直至成为一个自我完善的系统。
在智能体和特定领域的基准测试中，ACE 能同时优化离线上下文（如 system prompt）和在线上下文（如 agent memory），并稳定优于强力基线模型。
下面具体来看。
ACE 框架
现在很多 AI 应用（比如自动处理财务数据的工具、能调用 APP 的智能助手）都靠 "上下文适配" 来提升能力。
简单来说，就是不给模型改底层参数，而是在输入里加指令、策略或证据，但老方法有两个大问题：
简洁偏置
为了让输入简短，把关键细节丢了。比如只说 "处理财务数据"，却没说 "要按 XBRL 格式核对数值"，导致模型犯错。
上下文崩溃
反复修改输入时，模型会把之前积累的有用信息越改越短、越改越没用。比如原本有 1.8 万个 token 的实用策略，准确率为 66.7，改一次就剩 122 个 token，效果却下降到 57.1。
ACE 就是为了解决这两个问题来的，与将知识压缩为简短摘要或静态指令的方法不同，它将上下文视为不断演化的操作手册，能够随时间不断累积、优化并组织策略。
基于 Dynamic Cheatsheet 的智能体设计，ACE 把模型的 "上下文优化" 拆成分工明确的三个角色。
生成器（Generator）：负责生成推理轨迹；
反思器（Reflector）：负责从成功和错误中提炼具体见解；屿科配资
整理器（Curator）：负责将这些见解整合到结构化的上下文更新中。
如上图所示，工作流程首先由生成器针对新查询生成推理轨迹，这些轨迹既能呈现有效策略，也会暴露常见错误。
随后，反思器对这些轨迹进行评析，从中提炼出经验教训，并可选择通过多轮迭代加以优化。
接着，整理器将这些经验合成为简洁的增量条目，再经由轻量级的非 LLM 逻辑，以确定性的方式将其合并至现有上下文中。
由于更新内容被逐项分解并局部化，多个增量得以并行合并，从而实现大规模的批量适应。
此外，ACE 还支持多轮次适应机制，即对同一组查询进行反复学习，逐步强化上下文质量。
ACE 在两大场景中全面超越基线
实验结果表明，在智能体和财务分析两大场景中，ACE 稳定优于 Base LLM（无适配）、ICL（少样本演示）、GEPA（主流 prompt 优化）、Dynamic Cheatsheet（动态备忘单）等方法。
在智能体测试中，研究团队采用的是 AppWorld，它是一套自主智能体任务集合，涵盖 API 理解、代码生成和环境交互。
结果显示，ReAct+ACE 相比 ReAct+ICL 和 ReAct+GEPA 分别领先 12.3% 和 11.9%，优势显著。这表明，与固定的演示示例或单一优化指令提示相比，结构化、可演进且精细化的上下文能够更有效地促进智能体学习。
这一优势在在线场景中同样得以延续：ACE 平均以 7.6% 的性能提升领先于 Dynamic Cheatsheet 等现有自适应方法。
在财务分析中，研究者选用 FiNER 和 Formula 来测评模型的金融推理能力，其任务依赖可扩展商业报告语言（XBRL）。
FiNER 要求对 XBRL 财务文档中的 token 进行标注，将其归类为 139 种细粒度实体类型之一，这是在受监管领域进行金融信息抽取的关键步骤。
Formula 则侧重于从结构化 XBRL 报告中提取数值，并通过计算回答金融查询，即进行数值推理任务。
在离线环境下，当模型获得训练集中的真实答案作为输入时，ACE 以平均 10.9% 的优势明显超越了 ICL、MIPROv2 和 GEPA。
此外，ACE 在降低自适应成本（如尝试次数和 token 输入 / 生成的费用）与延迟方面展现出显著优势。
具体而言，在 AppWorld 的离线自适应任务中，与 GEPA 相比，ACE 将自适应延迟降低了 82.3%，并将尝试次数减少了 75.1%。
在 FiNER 的在线自适应场景中，与 DC 相比，ACE 实现了 91.5% 的自适应延迟降低，并在 token 输入与生成的相关费用上节省了 83.6%。
华人出品
这项研究的两位一作都是华人。
Qizheng Zhang，斯坦福大学计算机科学系四年级博士生。此前在芝加哥大学获得了数学、计算机科学和统计学三个专业的学士学位。
本科期间，他就与 Junchen Jiang 和 Ravi Netravali 两位教授合作开展计算机网络研究，专注于面向视频流与分析的网络系统设计。
此外，他还在美国阿贡国家实验室数学与计算机科学部（MCS）和微软研究院实习过。
Changran Hu，本科毕业于清华大学，硕士毕业于加州大学伯克利分校。
20 岁时，他就成为了一家 AI 音乐生成公司 DeepMusic 的联合创始人，成功获得来自中国顶级企业的 1000 万美元投资，并与多位中国流行歌手（如周杰伦、李健）建立合作。
随后，他以应用科学家实习生的身份加入微软，并于 2021 年成为 Sambanova Systems 研究工程师，随后晋升为技术主管兼经理，主要负责模型后训练与智能体 AI 相关研发工作。
参考链接：
[ 1 ] https://x.com/rryssf_/status/1976269613072843063
[ 2 ] http://arxiv.org/abs/2510.04618
[ 3 ] https://openreview.net/profile?id=~Qizheng_Zhang1
[ 4 ] https://www.linkedin.com/in/changran-hu/
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
� � 年度科技风向标「2025 人工智能年度榜单」评选报名开启啦！我们正在寻找 AI+ 时代领航者 点击了解详情
❤️� � 企业、产品、人物 3 大维度，共设立了 5 类奖项，欢迎企业报名参与 � �
一键关注 � � 点亮星标
科技前沿进展每日见屿科配资
金多多配资提示：文章来自网络，不代表本站观点。
沪深京指数
热点资讯
