北京
分享至
Meta发布了一篇新论文，介绍了一个名为CORAL的LLM原生agent harness（智能体框架）。它做的事情有点反直觉：在不更新任何模型参数的情况下，持续改进线上推荐系统的表现。
传统推荐系统的优化，往往依赖重新训练模型或调整参数。CORAL的思路完全不同——它把优化过程变成了一个闭环循环。
闭环里发生了什么？
CORAL的核心动作有三个：
- 观察：闭环监控线上推荐系统的运行信号
- 回溯：回顾过往的决策记忆，作为当前判断的依据
- 调用工具：使用数值优化器等工具辅助决策
在固定的变更预算内，CORAL会持续对线上系统进行重新配置。每一轮循环结束，策略本身就会随着迭代而改进——但模型参数始终没动。
这意味着，优化逻辑被从参数更新中剥离出来，交给了LLM智能体去动态执行。对于生产环境来说，这种方式的成本结构和迭代速度，可能和传统路径很不一样。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
