Experience-driven Lifelong Learning（ELL）开启自我进化AI的新篇章，聚焦持续交互、长时记忆与技能抽象，推动智能体从被动任务执行向主动学习转变。
• 四大核心原则：持续探索环境以积累丰富经验；构建持久且结构化的长时记忆；自主抽象并优化可复用技能；将显性知识内化为直觉能力，实现“习得为第二天性”。
• StuLife基准数据集：模拟大学生从入学到期末的完整学术生活，涵盖课堂学习、日常校园任务、考试挑战等10大场景，设计强调技能迁移、记忆保持及自我激励。
• 评测指标丰富，涵盖任务完成率、记忆利用率、技能获取速率、主动性表现及跨任务泛化能力，全面反映智能体的成长与适应性。
• 大规模语言模型（LLM）实测揭示现阶段缺乏长时记忆与主动驱动，性能远未达到自我进化智能体要求。
• 关键突破在于上下文工程，通过设计多层次、结构化的提示策略显著提升模型规划、记忆调取与技能迁移能力，指出AGI发展路径不仅关乎模型规模，更依赖认知架构的优化。
• 未来方向包括融入复杂工具、强化任务间依赖、动态规则演化及设计防作弊的开放式任务，致力于打造更真实、灵活且持续进化的智能体评测平台。
完整框架与开放源码助力研究者共创智能体终身成长的未来。🔗github.com/ECNU-ICALK/ELL-StuLife
论文🔗 arxiv.org/abs/2508.19005
人工智能 终身学习 自我进化 大语言模型 认知架构 智能体
