Sample-Efficient Learning from Agent Experience

• 类型：arxiv
• 标识：2607.21051
• 链接：https://arxiv.org/abs/2607.21051
• 主分类：agent
• 形态：method
• 被引：0
• 被引来源：Semantic Scholar + OpenAlex
• S2被引：0
• OpenAlex被引：0
• 影响力被引：0
• TLDR：Compared with classical reinforcement-learning baselines, in-context learning from trial-and-error experience followed by Experience Distillation matches their performance with at least (9.6\times) fewer environment samples.
• OpenAlex ID：W7170671824
• OpenAlex DOI：10.48550/arxiv.2607.21051
• DOI：10.48550/arxiv.2607.21051
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://doi.org/10.48550/arxiv.2607.21051
• OpenAlex更新：2026-08-24
• 待LLM分类：否
• 标题中文：从 Agent 经验中进行的样本高效学习
• TLDR中文：与经典强化学习基线相比，从试错经验中进行上下文学习并随后进行经验蒸馏（Experience Distillation），以至少 9.6× 更少的环境样本达到了相当的性能。
• 来源文件：
• /inbox/tom/_candidates/2026-07-24-agent-rag-longcontext-candidates.json
• /inbox/tom/_candidates/2026-07-25-agent-rag-longcontext-candidates.json
• /inbox/tom/_candidates/2026-07-26-agent-rag-longcontext-candidates.json
• /inbox/tom/_candidates/2026-07-27-agent-rag-longcontext-candidates.json
• /inbox/tom/_candidates/2026-07-27-agent-memory-tool-use-candidates.json
• [S2 enrich]
• [OpenAlex backfill]