IDEA研究院吴晓均博士：为技能进化注入“贝叶斯后验信念”｜Agent Harness技术研讨会

《Bayesian vs. Frequentist for Skill Evolution: 为技能进化注入“贝叶斯后验信念”》

LLM Agent 的能力越来越不只来自模型参数本身，也来自外部推理环境中的 prompts、tools、memory、SOPs、skills 与 harness feedback。传统的技能进化往往更像一种频率学派式的无状态修补：观察失败、统计成功率、再追加补丁；但在真实 agent 场景中，任务轨迹稀疏、代价昂贵、上下文强依赖，简单的点估计很容易被早期偶然成功或失败误导。本次 talk 将以 Bayesian-Agent 为例，介绍如何把 reusable skills / SOPs 视为带有不确定性的假设，并为技能进化注入一个可累计、可审计、可迁移的贝叶斯后验信念状态。每个技能的可靠性不再只是“成功次数 / 总次数”，而是由先验、验证轨迹、失败模式、成本与上下文共同更新出的 posterior belief；这使得 agent 在少样本时更稳健，在新 harness 或新任务环境中能够迁移已有信念，并且每一次 patch、split、compress 或 retire 都能被追溯解释。换言之，Bayesian-Agent 将技能进化从“从零计数、点估计、无记忆”的朴素补丁机制，推进为一种 posterior-guided、evidence-calibrated 的 harness optimization 过程。