以知识为中心的自我改进

研究者提出一种知识中心自我改进范式，代理保持通用性和一次性，通过完成任务后将基于证据的见解贡献到共享知识库，再经任务级和跨任务论坛讨论后蒸馏。在抽象推理、编程和终端基准测试中，该协议相比代理中心方法提升了解决率并降低了美元成本，蒸馏后的知识可迁移到未见过任务和不同LLM系列。

此前自我改进聚焦代理本身，改进绑定特定代理设计，维护成本高、迁移困难。知识中心范式将进步固化于知识库，使改进可检查、可迁移、可移植，且代理可廉价替换。

代理先独立完成任务，然后通过论坛分享经验证据，知识蒸馏将多个代理的洞察合并为精简知识库。后续任务中，任何代理均可查询该知识库，从而复用集体经验，实现持续改进。

开发团队可降低API调用成本（美元成本下降），同时提高任务解决率；知识库可跨LLM家族复用，减少模型换代的重复调整；但需要建立知识贡献与蒸馏的基础设施。

• 构建知识库管理与蒸馏平台，作为SaaS服务提供给AI应用开发者
• 为现有Agent系统集成知识论坛和蒸馏管道，提升多任务表现
• 开发跨LLM兼容的知识库格式，方便迁移
• 提供基于知识中心改进的咨询或定制方案，针对特定垂直场景

• 知识库在长期多任务场景下的存储与更新成本是否可控？
• 蒸馏后的知识质量如何验证，是否存在知识冲突或退化？
• 该方法在需要实时反馈的交互式任务（如对话）中如何适配？
• 知识库的规模效应何时出现递减，是否有最佳代理数量或任务类型？