持续学习基准：专用记忆系统竟不敌朴素上下文学习

持续学习是一个投入大量资源的研究领域，不过在如何衡量其进展上，目前的成果还相当有限。其中最核心的问题是：专门设计的记忆系统，真的能帮助智能体从经验中学习吗？持续学习基准（CL-Bench）给出的答案是否定的。

在六个经过专家验证、且具有共享可学习结构的领域测试中，朴素的上下文学习（ICL）效果反而比那些专为记忆管理设计的系统更好。CL-Bench还引入了一个增益指标，用来区分智能体的真正学习能力和原有基础能力——结果发现，智能体往往要么过度拟合眼前的观察数据，要么无法在不同实例之间复用已学知识。

如果你的记忆架构连朴素ICL基准都打不过，那说明这个架构只是徒增系统开销，并没有真正促进学习。相关论文于2026年6月发布，链接是：arxiv.org/abs/2606.05661；想要学习如何构建有效的AI智能体，可以访问：academy.dair.ai。