Meta 提出路由式持續學習框架

經驗保留兩難

面對相似任務時，讓 Agent 復用彼此積累的經驗是自然思路。對持續運行的系統而言，過往軌跡能減少後續任務的重複試錯，但不同任務的經驗一旦混雜，也可能互相干擾，尚未出現適用於所有場景的經驗保留方式。

目前也難以預判某段經驗會對哪些未來問題有幫助，經驗管理需要在泛化能力、執行效率與干擾抑制之間取得平衡，這正是動態經驗管理策略要解決的核心難題。

存儲與壓縮取捨

把所有歷史軌跡統一保留，細節最為完整，卻會推高上下文長度與 API 成本；若把全部經驗壓縮成同一種記憶形式，又可能丟失只對特定任務有用的信息，兩種極端取向各有明顯缺陷。

路由式方法設計

Meta FAIR 提出的路由式持續學習（Routed Continual Learning），讓系統按任務需要將經驗路由至合適的存儲或復用路徑，而非以單一策略對待全部歷史，從而在效率與干擾抑制之間取得更佳平衡。

官方指該方法可將 API 成本降低最多 72%，對需要長期持續運作、任務類型多變的 Agent 系統而言，成本與記憶品質的平衡直接影響實際部署的可行性。

Agent 系統的意義

持續學習一直是讓智能體在不斷變化的環境中維持能力的關鍵課題。路由式方法把經驗管理從被動積累轉為主動調度，為後續研究提供了兼顧泛化性、效率與干擾抑制的參考方向，有望用於長期任務型智能體的開發。