普林斯顿与 Meta 提出 Self-Direction：把智能体纠错经验存成 LoRA 适配器复用
Nice new paper on continuous improvement of AI agents from Princeton and Meta
普林斯顿与 Meta 的新论文提出 Self-Direction 方法，让失败的智能体反思本次运行，并把教训训练进一个约为模型大小 0.02% 的 LoRA 适配器，之后由路由器在遇到类似失败时加载最接近的适配器。在 Qwen3.6-27B 上，GAIA 任务成功率从 38.8% 提升到 55.8%，优于上下文反思和 Skills.md 文件方案。在 185 个此前出现过的错误中，到第三次遇到时仍有 67.3% 的修复生效，而单纯重试为 42.9%。
推荐理由
AI 评分 58
论文把智能体的纠错经验固化成约 0.02% 模型大小的 LoRA 适配器并按需路由加载，给出了 GAIA 上的成功率对比。
主题
正文 · AI 翻译
普林斯顿与 Meta 关于 AI 智能体持续改进的精彩新论文
发现：当每次修复都保存为 LoRA 适配器并在类似任务上复用时，智能体重复犯错的次数会减少。
智能体可以在一次会话内修正错误，但往往在下一次会话中重蹈覆辙。上下文中的笔记会被遗忘，而完整微调成本高昂，还可能破坏其他技能。
借助 Self-Direction，失败的智能体会反思本次运行，并把教训训练进一个约为模型大小 0.02% 的 LoRA 适配器。之后当智能体在类似任务上失败时，路由器会加载最接近的适配器。
在 Qwen3.6-27B 上，GAIA 的任务成功率从 38.8% 提升到 55.8%，优于上下文反思和 Skills.md 文件方案。在 185 个此前出现过的错误中，到第三次遇到时仍有 67.3% 的修复生效，而单纯重试为 42.9%。
如果你的智能体总是犯同样的错误，就把每次修复保存为可重新加载的小型适配器，而不只是提示笔记。