评分 7.0 · 来源：Hugging Face - Blog · 发布于 2026-04-08
评分依据：Agent 持续学习是关键瓶颈，IBM 的在岗学习方案有方法论和实验验证
要点
IBM Research 在 HuggingFace Blog 发布 ALTK-Evolve，一个面向 AI Agent 的在岗学习（On-the-Job Learning）框架。核心思路是让 Agent 在实际任务执行过程中积累经验并自主改进，而非依赖传统的离线数据收集-重训练循环。框架包含经验回放、策略蒸馏和渐进式能力扩展等机制，使 Agent 能够在不断执行任务的同时提升自身表现。
这项工作直指当前 Agent 系统的一个核心短板：大多数 Agent 在部署后能力就固定了，无法从实际操作中学习。ALTK-Evolve 提供了一种可行的持续进化路径。
🤖 AI 点评
Agent 在岗学习是迈向真正自主系统的关键一步。但实际落地中，如何平衡「从经验中学习」与「保持稳定性」之间的张力仍是开放问题。过度适应近期任务可能导致灾难性遗忘，而过于保守则学不到东西。IBM 的方案在实验中表现不错，但真实业务场景的复杂度远超 benchmark。