過去兩年，AI Agent 的能力邊界被不斷刷新：會寫代碼、會調(diào)用工具、會反思失敗，也開始能在任務執(zhí)行中積累經(jīng)驗。

但一個更現(xiàn)實的問題正在浮現(xiàn)：

如果一個 Agent 真的被部署到真實世界，它還能繼續(xù)變強嗎？

不是在一個固定 benchmark 上反復刷分，也不是只針對某一種任務改 prompt，而是在真實使用中同時面對代碼、數(shù)學、知識問答、公式計算、復雜推理等不斷變化的任務輸入，還能不能持續(xù)適應、穩(wěn)定提升？

這正是 EEVEE 想解決的問題。

來自上海交通大學與普林斯頓大學的研究團隊發(fā)布了 EEVEE，一個面向 LLM Agent 的測試時提示學習框架。它試圖把 prompt learning 從 “單一任務優(yōu)化” 推向更接近真實部署的場景：讓智能體在多類型任務不斷涌入時，仍然能夠繼續(xù)學習，而不是顧此失彼。

• 論文鏈接：https://arxiv.org/abs/2606.11182
• 項目主頁：https://princeton-ai2-lab.github.io/EEVEE/
• 開源代碼：https://github.com/Princeton-AI2-Lab/EEVEE

單一任務上的進步，還不夠

今天已經(jīng)有很多 prompt optimization 方法可以讓模型在一個任務上變得更好。

例如，在一個數(shù)學題集上學會更嚴謹?shù)慕忸}步驟；在一個代碼任務上學會輸出更規(guī)范的函數(shù)體；在一個問答任務上學會更符合評測格式的回答。

這很有價值，但它離真實 Agent 還差一步。

真實部署中的 Agent 不會只遇到一種任務。它可能上一秒在寫代碼，下一秒在做金融公式計算，再下一步又要回答科學問題。不同任務需要的行為完全不同：有的要求嚴格輸出格式，有的要求符號推理，有的要求知識判斷，有的要求可執(zhí)行代碼。

如果所有反饋都被塞進同一個 prompt，問題就會出現(xiàn)：

一個任務上學到的經(jīng)驗，可能會傷害另一個任務。

比如，為了公式題學到 “只輸出數(shù)字”，可能會影響需要解釋推理過程的題；為了代碼題學到 “只輸出函數(shù)體”，也可能不適合知識問答。任務越多，單一 prompt 越容易變成一個互相沖突的雜糅體。

這就是 EEVEE 要面對的核心挑戰(zhàn)：智能體不能只在單科變強，而要在多種任務中一起進化。

任務越多，差距越明顯

EEVEE 最有說服力的結果，不是單個任務上的分數(shù)，而是任務不斷增加時的表現(xiàn)。

研究團隊把多個不同類型的任務依次加入同一個學習過程，觀察 prompt learning 方法能不能持續(xù)累積收益。

結果非常直接：

當任務越來越多時，一些強基線方法的收益開始停止疊加，甚至跌到負數(shù)；而 EEVEE 仍然保持正向提升，最終在任務全部加入后達到約+42 的累計提升

換句話說，EEVEE 的優(yōu)勢不是 “單點提分”，而是任務變復雜之后還能繼續(xù)往上走。

這非常關鍵。因為真實世界里的 Agent，面對的永遠不是一個干凈、封閉、單一的任務環(huán)境，而是不斷變化的任務組合。

全方位提升：不同模型上都有效

在主實驗中，研究團隊使用了四類代表性任務：知識問答、公式計算、數(shù)學 / 符號推理、代碼生成。這些任務放在一起，構成了一個更接近真實 Agent 工作負載的混合環(huán)境。

在這個設置下，EEVEE 在不同 backbone 上都帶來了明顯提升：

• 在 Qwen3-4B-Instruct 上，平均分從 41.37 提升到 51.75，相對提升約25%
• 在 DeepSeek-V3.2 上，平均分從 39.75 提升到 64.07，相對提升約61%
• 相比現(xiàn)有 SOTA prompt-learning 方法，最高相對提升達到48.2%

這說明 EEVEE 并不是只對某個模型、某個任務有效，而是在更廣泛的混合任務設置中，都能讓智能體獲得更穩(wěn)定的整體提升。

不只是 “多開幾個 prompt”：EEVEE 如何讓智能體分工進化？

EEVEE 的思路可以用一句話概括：

先分流，再用專門 prompt 推理。

它不再讓所有任務共享一個 prompt，而是維護多個 specialized prompts。每當輸入到來，EEVEE 會先判斷它更適合哪一類 prompt，再讓模型帶著對應 prompt 去回答。

但這不是簡單的人工分類。

EEVEE 不會事先規(guī)定 “數(shù)學題走數(shù)學 prompt，代碼題走代碼 prompt”。因為真實任務的差異往往不在表面任務名稱上，而在不同 prompt 的實際表現(xiàn)上。

同樣是數(shù)學題，有的需要公式計算，有的需要定理推理，有的需要嚴格輸出格式。真正有用的劃分，是在學習過程中逐漸形成的。

這也帶來了關鍵難點：router 和 prompt 不能分開學。

router 決定每個 prompt 會看到哪些樣本；prompt 的能力又決定了怎樣的路由是有意義的。

因此，EEVEE 采用 router–prompt co-evolution：先優(yōu)化 router，重新劃分任務；再優(yōu)化每個 prompt；隨后把更新后的 prompt 反饋給下一輪 router。這個過程不斷循環(huán)，讓路由更清晰，prompt 更專門化。

最終，智能體不是靠一個越來越長、越來越混亂的 prompt 適應所有任務，而是把經(jīng)驗組織起來，讓不同任務模式進入更合適的學習路徑。

單一任務上依舊優(yōu)秀

一個自然的問題是：如果 EEVEE 是為多任務設計的，它會不會犧牲單任務能力？

實驗顯示并沒有。

當每個 benchmark 單獨進行 prompt learning 時，EEVEE 仍然保持很強的競爭力。例如：

• Formula 任務達到
• HumanEval 任務達到
• TheoremQA 從 14.73 提升到

這說明 EEVEE 不是靠 “路由” 掩蓋 prompt learning 本身的不足。相反，它的 prompt 學習機制在單任務上同樣有效；當任務變多時，router 才進一步發(fā)揮組織經(jīng)驗、避免互相干擾的作用。

不靠堆砌上下文

很多讓 Agent 變強的方法，都有一個共同副作用：上下文越來越長。

系統(tǒng)不斷把經(jīng)驗、規(guī)則、案例、playbook 追加進 prompt，短期看可能有效，但任務一多，成本就會迅速上升，prompt 也會變得冗長混亂。

EEVEE 沒有走這條路。

雖然它增加了一個路由步驟，但整體 token 成本仍然保持在較低水平。實驗顯示，EEVEE 平均每個測試樣本使用4.32K tokens，接近高效 prompt-learning 基線 GEPA 的3.47K，遠低于 ACE 的21.30K

也就是說，EEVEE 的提升并不是靠無限擴展上下文堆出來的，而是來自更有效的任務組織和 prompt specialization。

Prompt learning 真正學到的是什么？

論文中的案例分析也揭示了一個很重要的現(xiàn)象：

Prompt learning 最擅長學習的，不是憑空補充知識，而是把反饋轉(zhuǎn)化成可復用的做事方式。

在代碼任務中，它能學會保持函數(shù)接口、輸出可執(zhí)行代碼、處理邊界條件；在公式任務中，它能學會正確套公式、保持單位尺度、輸出符合評測要求的答案格式。

但對于知識密集型問答，情況會更復雜。Prompt learning 可以讓模型推理更系統(tǒng)，卻不一定能補上缺失的領域知識。如果模型本身缺少關鍵事實，單靠 prompt 不一定能解決。

這說明 EEVEE 并不是在宣稱 prompt learning 可以解決一切。它真正展示的是：當反饋能夠變成可復用的過程、格式和策略時，智能體可以在測試時持續(xù)吸收這些經(jīng)驗，并把它們組織到更合適的 prompt 中。

這比單純 “改一個 prompt” 更接近真實 Agent 的學習方式。

讓 Agent 從單科進步走向全方位進化

過去的 prompt optimization，更像是在訓練一個 Agent 做好某一門課。

它可以在一個固定任務上反復練習，逐漸摸清規(guī)律，拿到更高分數(shù)。

但真實世界要求的不是 “單科提分”，而是更接近 “全科成長”：任務不斷變化，反饋不斷變化，能力需求也不斷變化。一個真正有用的 self-improving Agent，必須能在部署后繼續(xù)適應這些變化，而不是只在單一 benchmark 上越來越熟練。

EEVEE 的意義就在于此。

它把 test-time prompt learning 從單一任務推向多類型任務共同到來的場景，讓智能體開始學習如何組織經(jīng)驗、區(qū)分任務模式、保留不同能力，并在復雜任務流中繼續(xù)提升整體表現(xiàn)。

這還不是最終形態(tài)。論文也指出，EEVEE 仍然依賴 ground-truth 或 rule-based feedback，還不是完全在線、完全自監(jiān)督的自我提升系統(tǒng)。

但它邁出了關鍵一步：當智能體真正面對真實世界中復雜、多樣、不斷變化的任務時，prompt learning 仍然可以成為一種有效的持續(xù)適應機制。

從單一任務到全方位進化，這正是 EEVEE 想打開的一扇門。