DENSE：将 Agent 轨迹提炼为基于证据的快捷树以实现自我修正

英文标题：DENSE: Distilling Agent Trajectories into Evidence-Grounded Shortcut Trees for Self-Refinement

针对在线 Agent 部署过程中产生海量执行轨迹、但任务特定验证与人工专家标注成本极高的难题，研究人员提出了 DENSE 框架。该研究探索了在无需事后结果标签的前提下，如何基于执行过程中的证据将轨迹提炼为可复用的反馈机制。这一成果为构建无需昂贵人类标注、具备自进化与自我修正能力的下一代 Agent 系统提供了全新路径。

打开原文相关 2.4 · 机会 1

中文

DENSE：将 Agent 轨迹提炼为基于证据的快捷树以实现自我修正

论文编号：arXiv:2609.21423v1
公告类型：最新发布 (new)

摘要

在线 Agent（智能体）部署通常会产生大量的执行轨迹，然而针对特定任务的验证机制和专家标注成本极为高昂，难以规模化扩展。本研究探讨了如何在没有事后结果标签（post-hoc outcome labels）的情况下，提取并利用轨迹中的证据信息，将其蒸馏提炼为可重用的反馈结构，进而构建用于自我修正的快捷树（Shortcut Trees）。

DENSE：将 Agent 轨迹提炼为基于证据的快捷树以实现自我修正

中文

DENSE：将 Agent 轨迹提炼为基于证据的快捷树以实现自我修正

摘要

English / 原文

BibTeX formatted citation