从单一提示到函数库：演化式功能库实现大模型持续学习

arXiv 论文提出 EFRE（Evolving Functional REpertoires）方法，用以替代单一 prompt 做 LLM 持续学习。该方法在新任务到来时演化出一组函数：兼容更新会细化已有函数，冲突更新则触发新函数产生。在三任务持续学习流上，EFRE 最终平均性能比 GRPO 高 7.50 个百分点。适配 Bio 任务后，其在 FinQA 上仅下降 1.56 个百分点，而基础 prompt 优化方法下降 25.10 个百分点。作者还在一个最小 agent 系统中实例化 EFRE，并在不同骨干模型上观察到一致提升。

此前持续学习多依赖参数更新，成本高；而 prompt 优化在单项任务上可媲美 GRPO，却会在顺序任务中严重遗忘。该工作把优化对象从单一 prompt 扩展为可演化的函数库，若结论成立，意味着无需参数更新也能缓解灾难性遗忘，为低成本持续适配提供新路线。

单一 prompt 在顺序任务中会不断累积规则，逐渐过拟合局部任务分布，从而在新任务上遗忘旧能力。EFRE 把知识沉淀为一组函数，用兼容与冲突判断决定是细化旧函数还是新建函数，使新旧任务的适配路径相互隔离，降低相互覆盖。

对研发侧，可将持续学习从重训练与参数微调转向提示与函数库维护，降低算力与迭代成本；对产品侧，多任务长期在线的 agent 或助手能在不重训模型的前提下持续接入新领域，同时保留旧领域表现，减少频繁回归测试与版本回退。

• 在多任务客服或行业助手场景中，构建可增量演化的函数库替代单一系统提示，降低新领域接入成本。
• 为 agent 产品增加函数冲突检测与自动新建机制，避免新任务规则覆盖旧任务能力。
• 在模型评估流程中加入顺序任务流测试，量化跨任务遗忘幅度而非只测单任务得分。

• EFRE 的完整方法细节与实现成本尚未在证据中说明。
• 7.50 个百分点与 1.56 个百分点对比仅来自三任务流，规模更大或任务数更多时是否成立未知。
• 最小 agent 系统中的一致提升具体指标与骨干模型范围未给出。
• 与参数更新类方法在推理延迟和部署复杂度上的对比尚不明确。