本文作者來自倫敦大學(xué)學(xué)院、吉林大學(xué)和倫敦國王學(xué)院。本文第一作者為吉林大學(xué)博士生郭思源，倫敦大學(xué)學(xué)院汪軍教授為論文最后作者。指導(dǎo)教師還包括倫敦國王學(xué)院杜雅麗副教授、吉林大學(xué)陳賀昌研究員與常毅教授。

當(dāng) LLM Agent 進(jìn)入真實(shí)應(yīng)用后，它面對的不再是一次性的靜態(tài)測試集，而是持續(xù)到來的任務(wù)流。

每一次工具調(diào)用、代碼執(zhí)行、網(wǎng)頁搜索或任務(wù)完成，都會產(chǎn)生反饋：成功還是失??？證據(jù)是否充分？工具是否選對？這些部署階段自然產(chǎn)生的信號，能否反過來幫助 Agent 變得更好？

研究團(tuán)隊(duì)的最新工作提出了部署時學(xué)習(xí)（Deployment-Time Learning，DTL），并進(jìn)一步提出 CASCADE。它的核心不是簡單積累經(jīng)驗(yàn)，而是讓 Agent 在在線任務(wù)流中學(xué)會選擇經(jīng)驗(yàn)：面對當(dāng)前任務(wù)，應(yīng)該參考過去哪一次交互，才能做出更好的決策？

• 論文標(biāo)題：CASCADE: Case-Based Continual Adaptation for Large Language Models During Deploymen
• 論文鏈接：https://arxiv.org/abs/2605.06702
• 代碼倉庫：https://github.com/guosyjlu/CASCADE
• 基準(zhǔn)測試：https://huggingface.co/datasets/guosy/DTLBench

研究背景

目前 Agent 經(jīng)驗(yàn)學(xué)習(xí)的相關(guān)工作中，常見設(shè)定大致有兩類：

第一類延續(xù)傳統(tǒng)機(jī)器學(xué)習(xí)范式：系統(tǒng)先在訓(xùn)練集上學(xué)習(xí)，例如微調(diào)模型、優(yōu)化提示詞、構(gòu)建記憶庫或技能庫，然后在測試集上評估。

第二類則關(guān)注運(yùn)行時學(xué)習(xí)，即系統(tǒng)在同一個數(shù)據(jù)集上先學(xué)習(xí)多輪，然后觀測其性能提升。

這些設(shè)定都具有研究價值，但真實(shí)部署還包含一個重要維度：時間。在真實(shí)系統(tǒng)中，任務(wù)是按順序到來的。Agent 不能提前看到未來任務(wù)，也不能隨意回到過去重做某個請求。每一步既是一次服務(wù)，也是一次反饋收集；當(dāng)前選擇不僅影響當(dāng)前任務(wù)結(jié)果，也可能影響后續(xù)策略。

因此，CASCADE 將部署時學(xué)習(xí)定義為一個在線學(xué)習(xí)問題。在第 t 步，Agent 觀察到一個查詢，生成答案或行動軌跡，環(huán)境返回成功 / 失敗的二值反饋。Agent 的目標(biāo)不再只是優(yōu)化單個任務(wù)，而是提高整個部署序列上的長期成功率；等價地說，是降低在線學(xué)習(xí)中的遺憾（Regret）。這一設(shè)定更接近工業(yè)系統(tǒng)中的持續(xù)服務(wù)過程，也為評估 Agent 的部署適應(yīng)能力提供了清晰形式化。

基于案例的部署時學(xué)習(xí)：CASCADE

在部署時學(xué)習(xí)的設(shè)定下，基座模型保持固定，不對其參數(shù)進(jìn)行在線更新。學(xué)習(xí)發(fā)生在 Agent 的外圍組件中，尤其是記憶和檢索機(jī)制。CASCADE 以基于案例的推理（Case-Based Reasoning，CBR）為底層框架。當(dāng)新任務(wù)到來時，系統(tǒng)從歷史案例庫中檢索相關(guān)成功案例，將其作為上下文提供給 LLM，再根據(jù)環(huán)境反饋決定是否保留新的案例。這一流程包括四個步驟：

1. 檢索（Retrieve）：從不斷增長的案例庫中檢索候選案例；

2. 復(fù)用（Reuse）：將案例作為上下文，輔助 LLM 解決當(dāng)前查詢；

3. 修改（Revise）：生成最終答案或行動軌跡；

4. 保存（Retain）：如果環(huán)境反饋為成功，則將當(dāng)前交互保存為新的案例。

在這個 4R 循環(huán)中，CASCADE 的關(guān)鍵在于：它將 “檢索哪個案例” 建模為上下文賭博機(jī)（Contextual Bandit）問題，從而實(shí)現(xiàn)檢索過程中的探索 - 利用權(quán)衡。在每個時間步，當(dāng)前查詢是上下文，候選案例是可選擇的動作。Agent 選擇某個案例后，LLM 基于該案例生成結(jié)果，環(huán)境返回成功或失敗反饋。檢索器隨后利用該反饋更新策略，在后續(xù)任務(wù)中更好地權(quán)衡利用與探索。

換言之，CASCADE 學(xué)習(xí)的是一個在線檢索策略：它利用部署過程中觀察到的獎勵信號，判斷哪些案例在給定的任務(wù)中更有用。針對這一場景，本文提出了 Neural-LinLogUCB 算法。它使用 Transformer 建模查詢與案例之間的交互表示，并通過線性頭進(jìn)行不確定性估計(jì)，從而適配二值反饋下的上下文賭博機(jī)學(xué)習(xí)。

從理論上看，CASCADE 將整體遺憾分解為兩部分：

1. 覆蓋差距：案例庫是否已經(jīng)包含足夠相關(guān)的歷史經(jīng)驗(yàn)；

2. 檢索遺憾：在已有候選案例中，檢索策略是否選中了最有用的案例。

隨著部署過程持續(xù)進(jìn)行，成功案例逐漸被保存到案例庫中，由覆蓋不足帶來的損失會降低；同時，檢索器通過二值反饋更新，逐步減少選擇錯誤案例帶來的檢索遺憾。在合理假設(shè)下，CASCADE 可以得到無遺憾學(xué)習(xí)保證。

因此，CASCADE 不只是一個記憶模塊，而是一個面向部署任務(wù)流的原則化在線經(jīng)驗(yàn)學(xué)習(xí)框架。

部署時學(xué)習(xí)基準(zhǔn)測試：DTLBench

為了系統(tǒng)評估部署時學(xué)習(xí)能力，論文構(gòu)建了 DTLBench。該基準(zhǔn)包含 16 個任務(wù)，覆蓋醫(yī)療、法律、金融、智能運(yùn)維、編程、具身決策、信息檢索等領(lǐng)域，并包含單輪任務(wù)和多輪任務(wù)。

單輪任務(wù)包括醫(yī)療診斷、藥物推薦、科室轉(zhuǎn)診、急診分診、法律罪名預(yù)測、刑罰預(yù)測、金融意圖路由、金融情感分析、根因分析、日志故障診斷、Text-to-SQL。

多輪任務(wù)包括經(jīng)典的 ALFWorld、ScienceWorld，以及兩個更接近真實(shí)應(yīng)用的場景：基于網(wǎng)頁的深度搜索和電子健康記錄上的復(fù)雜表格推理。

在 DTLBench 中，每個任務(wù)都被組織為在線查詢序列。Agent 必須按順序處理樣本，只能利用已經(jīng)發(fā)生的歷史交互和反饋。這一區(qū)別使得部署步上的成功率成為核心評估指標(biāo)。

主要實(shí)驗(yàn)結(jié)果

在 12 個單輪任務(wù)上，使用 Qwen3-32B 作為底座模型時，零樣本提示的平均成功率為 48.33%，非參數(shù)基線 NP-CBR 達(dá)到 63.76%，CASCADE 進(jìn)一步提升到 66.68%。這一結(jié)果表明，案例復(fù)用本身已經(jīng)能夠帶來明顯收益；在此基礎(chǔ)上，利用在線反饋學(xué)習(xí)檢索策略，可以進(jìn)一步提升部署序列上的長期表現(xiàn)。

與基于參數(shù)更新的基線 REINFORCE+LoRA 相比，CASCADE 在 12 個單輪任務(wù)中的 9 個任務(wù)上取得更好結(jié)果，并在其余任務(wù)上表現(xiàn)接近。同時，CASCADE 不需要更新底座 LLM 參數(shù)，學(xué)習(xí)過程顯存低于 4GB，適合在更輕量的部署條件下運(yùn)行。

論文還驗(yàn)證了 CASCADE 對不同底座模型規(guī)模的適用性。在 Qwen3-4B、8B、14B、32B 上，CASCADE 在大多數(shù)設(shè)置中均能帶來穩(wěn)定提升。對于黑盒模型 gemini-2.0-flash，CASCADE 同樣適用，在可評估的 9 個任務(wù)上將平均成功率提升到 72.58%，高于零樣本提示的 56.58% 和 NP-CBR 的 70.68%。

這些結(jié)果說明，部署時學(xué)習(xí)并不必須依賴對 LLM 參數(shù)的訪問。對于基于 API 服務(wù)的黑盒模型，或者不適合頻繁微調(diào)的工業(yè)系統(tǒng)，CASCADE 提供了一種通過 Agent 外圍組件進(jìn)行持續(xù)適應(yīng)的途徑。

在 ALFWorld 上，CASCADE 將成功率從 NP-CBR 的 62.01% 提升到 67.43%；在 ScienceWorld 上，從 59.36% 提升到 66.84%。將 CASCADE 插入 ReAct 框架后，也能進(jìn)一步提升 Agent 在多輪環(huán)境中的任務(wù)完成率。

在基于網(wǎng)頁的深度搜索中，Agent 需要多輪調(diào)用本地 RAG 工具或?qū)崟r網(wǎng)頁搜索工具完成多跳問答。引入部署時學(xué)習(xí)后，CASCADE 在本地 RAG 和實(shí)時網(wǎng)頁搜索設(shè)置下均帶來明顯提升。

在電子健康記錄表格推理任務(wù)中，Agent 需要通過 API 查詢數(shù)據(jù)庫并生成代碼。零樣本提示成功率為 20.75%，NP-CBR 為 44.02%，CASCADE 進(jìn)一步達(dá)到 55.76%，同時減少了平均調(diào)試輪數(shù)。

小結(jié)

CASCADE 試圖回答一個在 LLM Agent 部署中越來越重要的問題：當(dāng)任務(wù)持續(xù)到來、反饋不斷產(chǎn)生，而底座模型參數(shù)保持固定時，Agent 如何在真實(shí)交互過程中進(jìn)行學(xué)習(xí)？

本文的核心貢獻(xiàn)可以概括為三點(diǎn)：

1. 提出部署時學(xué)習(xí)，將 LLM Agent 的部署階段形式化為無參數(shù)更新的在線經(jīng)驗(yàn)學(xué)習(xí)；

2. 提出 CASCADE，通過基于案例的推理與上下文賭博機(jī)學(xué)習(xí)實(shí)現(xiàn)原則化的部署時學(xué)習(xí)框架；

3. 構(gòu)建 DTLBench，在 16 個跨領(lǐng)域任務(wù)上評估 Agent 在在線任務(wù)序列中的長期表現(xiàn)。

從這個角度看，CASCADE 的重點(diǎn)不在于重新證明 “經(jīng)驗(yàn)有用”，而在于進(jìn)一步提出：部署過程本身可以被建模、評測和優(yōu)化。隨著 Agent 系統(tǒng)進(jìn)入更開放、更長程、更依賴工具的應(yīng)用場景，如何在真實(shí)任務(wù)流中利用反饋進(jìn)行穩(wěn)定學(xué)習(xí)，可能會成為大模型部署后的一個重要研究方向。