TRACE：用于一致性和边界感知 LLM 智能体的自进化技能库

arXiv 发布论文介绍 TRACE（TRAjectory-Contrastive Evolution），一种自进化技能库方法，用于提升 LLM 智能体在任务中的一致性和边界感知。在 CAR-bench 汽车助手场景下，TRACE 通过对比成功与失败轨迹，不断优化技能库。在 GPT-5.5 上，Pass^3 从 59.9% 提升至 94.5%，差距缩小至 4.0 个百分点，并在官方隐藏集上获得第一名。

此前 LLM 智能体评估多关注单次任务能力（Pass@3），忽视多次执行的一致性和对能力边界的认知。TRACE 明确针对这一可靠性差距，并通过不改变模型权重的方式改善行为知识，为实际产品中需要高稳定性的智能体部署提供了新思路，尤其适用于汽车助手等对安全和合规要求严格的场景。

TRACE 将行为知识组织为模块化技能库，每个技能包含工具使用规则和行为指南。其自进化循环按轮次评估，将轨迹按调用技能分组，通过对比成功与失败行为来细化技能。部署时，Actor 根据状态进行条件技能编排，从而在不更新模型权重的情况下逐步提升一致性。该机制利用轨迹对比而非梯度更新，降低了训练成本。

对依赖 LLM 智能体的产品，TRACE 可能显著提升用户体验一致性，减少因模型随机性导致的行为偏差，尤其适合车载助手等高风险场景。虽然证据未提供计算成本细节，但需重点关注技能库的存储和检索开销，以及维护难度。产品团队可评估将 TRACE 集成到现有智能体框架的可行性，以提升可靠性和合规性。

• 在车载语音助手中集成 TRACE，提升对模糊指令的处理一致性，降低合规风险。
• 开发基于 TRACE 的智能体开发平台，提供技能库管理和自进化服务。
• 针对客服或医疗等需要严格策略的场景，使用 TRACE 结合领域策略生成技能库。
• 基于 TRACE 的评估指标（Pass^k）建立企业级智能体可靠性评估标准。

• TRACE 在除 GPT-5.5 和 GPT-5.6 之外的其他模型上效果如何？
• 技能库的规模和维护成本是否随场景复杂度大幅增加？
• TRACE 方法是否适用于多轮对话之外的复杂任务类型？
• 论文中是否包含与基线的详细比较和消融实验？