Google DeepMind 论文：自我进化智能体边学边忘，学新任务最快的老任务掉分最多

Google DeepMind 发布论文，研究通过编辑系统提示词、记忆或技能文件实现自我进化的智能体是否会在学习新任务时损害旧任务。团队在主题、工作流、领域不断变化的任务流上测试了 ReasoningBank、GEPA 和 Meta-Harness 三种方法。GEPA 平均每个区块新学 6.2 分，同时在其他任务上平均丢失 4.3 分；它学会向用户询问缺失细节后获得 15.5 分提升，但后续区块改写该规则后收益跌至 2.5 分。论文建议将任务专属规则分开存放，并在每次更新后重测旧任务。