微软研究院发布EvoLib：将经验转化为演化知识，实现大模型测试时持续学习

摘要：微软研究院提出EvoLib框架，将大语言模型在推理过程中的原始经验转化为可复用的技能与反思性洞察，并通过整合与动态加权机制持续演化知识。该框架无需更新模型参数，适用于任何黑盒API模型，在数学推理、代码生成和长程决策任务上显著优于现有记忆方法，且对任务顺序具有鲁棒性。EvoLib标志着AI从静态记忆向演化知识库的转变，为智能体持续学习提供了新范式。

---

概述

微软研究院近日发布了一项名为 EvoLib 的新框架，旨在解决大语言模型（LLM）在部署后无法持续学习的问题。传统记忆系统只是存储和检索过去的经验，但记忆本身并不等于学习。EvoLib 通过将原始经验转化为可复用的技能和洞察，并不断整合与加权，使模型能够在推理过程中持续进化，而无需更新底层参数。

核心机制

EvoLib 的核心思想是“演化知识”。其知识单元可以是成功解决方案中提炼的技能，也可以是从错误中学习的反思性洞察。框架设计了两个关键机制：

• 整合（Consolidation）：当新知识从近期经验中提取后，EvoLib 会检索库中相似知识，并尝试将其整合为更通用、更可复用的知识，使知识超越单一经验，适用于跨任务场景。
• 动态加权（Weighting）：EvoLib 持续更新每个知识单元的重要性，不仅基于其对当前任务的即时效用，还考虑其对未来任务生成有用知识的贡献。长期影响最大的知识自然在库中占据更显著位置。

实验结果

研究团队在数学推理、代码生成（效率约束下）和长程决策任务上评估了 EvoLib。结果显示，EvoLib 在所有任务上均优于顶尖的基于检索的记忆方法和抽象记忆机制，且 token 使用更高效。此外，EvoLib 将测试时计算转化为性能提升的效率更高，且对任务顺序具有鲁棒性，表明其适用于真实世界中混合任务流的场景。

行业影响与开发者建议

EvoLib 为 AI 系统提供了一种无需模型更新的持续学习途径，尤其适用于通过 API 部署的黑盒模型。开发者可将其集成到智能体系统中，使模型从交互经验中不断积累和精炼知识，提升长期任务表现。代码和实验结果已在 GitHub 开源，便于社区复现和进一步研究。

出处

本文基于 Microsoft Research 官方博客文章《EvoLib: Turning experience into evolving knowledge》（2026年7月30日发布）。

---

消息来源：Microsoft Research AI (2026-07-30)

—— 完 ——

主题标签： #EvoLib #测试时学习 #知识演化 #智能体 #微软研究院