Hugging Face发布ReGE框架：利用经验合成提升智能体任务完成能力

摘要：Hugging Face推出了一种名为ReGE的新框架，旨在通过经验合成提升智能体在交互任务中的表现。ReGE的核心实现ReGE-Syn通过单次教练调用，将执行记录与可用工件合成为自包含的指导，从而连接任务特定发现、建议操作和相关风险点。实验表明，ReGE在多个基准测试中显著提升了GPT和Claude模型的准确性，平均分别提高了9.9和8.8个百分点。此外，ReGE-Syn在构建指导所需的token数量上大幅减少，展示了其在高效任务执行中的潜力。

---

技术机制剖析

ReGE框架的核心在于其经验合成机制，通过以下步骤实现智能体性能的提升：

1. 经验记录与存储：智能体在执行任务时记录执行轨迹、失败案例和成功操作，这些数据被存储为执行记录。
2. 单次教练调用：ReGE-Syn通过单次教练调用，将执行记录与当前任务环境中的可用工件合成为自包含的指导。这种合成过程不仅包括任务特定的信息，还结合了建议的操作和潜在的风险点。
3. 适应性调整：智能体从任务的初始环境状态开始，根据当前观察结果对合成的指导进行适应性调整，以确保指导的实时性和准确性。

工程权衡与实测表现

ReGE框架在多个基准测试中表现出色：

• 准确性提升：在GPT和Claude模型上，ReGE分别实现了9.9和8.8个百分点的平均准确性提升，展示了其在复杂任务中的有效性。
• token效率：在BrowseComp-Plus子集上，ReGE-Syn将指导构建所需的token数量减少了98.2%（GPT）和95.5%（Claude），同时减少了15.7%和35.4%的综合构建和执行token数量。
• 低资源消耗：ReGE框架使用与源生成、合成和学生执行相同的基模型，无需参数更新或更强的教师模型，降低了计算资源需求。

开发者落地与部署建议

ReGE框架为开发者提供了以下优势：

• 易于集成：ReGE可以无缝集成到现有的智能体系统中，无需对模型架构进行重大修改。
• 高效性：通过减少token数量和计算资源消耗，ReGE能够降低部署成本，提高任务执行效率。
• 灵活性：ReGE支持多种类型的交互任务，包括需要复杂推理和决策的任务，为开发者提供了广泛的应用场景。

结论

ReGE框架展示了通过经验合成提升智能体任务完成能力的巨大潜力。其在多个基准测试中的优异表现和低资源消耗，使其成为提升智能体性能的有力工具。开发者可以利用ReGE框架，构建更高效、更智能的AI系统。

---

消息来源：Hugging Face Daily Papers (2026-10-24)

—— 完 ——

主题标签： #Hugging Face 关注 #智能体 关注 #经验合成 关注 #ReGE 关注 #AI框架 关注