告别“单科专家”：首个Agent全面进化框架EEVEE发布

过去两年里，AI Agent的能力边界被不断刷新。会写代码，会调用工具，会反思自己的失败，也开始能在任务执行中一点点积累经验。

但一个更现实的问题也正在浮现。

当Agent真正被部署到了真实世界，它还能继续变强吗？不是在一个固定的benchmark上反复刷分，也不是只针对某一种任务来回改prompt——而是在真实使用中，同时面对代码、数学、知识问答、公式计算、复杂推理等不断变化的任务输入，它还能不能持续适应，稳定提升？

这正是EEVEE想要解决的问题。

来自上海交通大学与普林斯顿大学的研究团队，发布了EEVEE——一个面向LLM Agent的测试时提示学习框架。它的想法，是把prompt learning从“单一任务优化”推向更接近真实部署的场景：让智能体在多类型任务不断涌入时，仍然能够继续学习，而不是顾此失彼。

单一任务上的进步，还不够

今天已经有很多prompt optimization方法，可以让模型在一个任务上变得更好。

比如，在一个数学题集上学会更严谨的解题步骤；在一个代码任务上学会输出更规范的函数体；在一个问答任务上学会更符合评测格式的回答。

这当然有价值，但它离真实的Agent还差一步。

真实部署中的Agent不会只遇到一种任务。它可能上一秒在写代码，下一秒在做金融公式计算，再下一步又要回答科学问题。不同的任务，要求的行为完全不同：有的要求严格输出格式，有的要求符号推理，有的要求知识判断，有的要求可执行代码。

如果所有反馈都被塞进同一个prompt，问题就出现了：一个任务上学到的经验，可能会伤害另一个任务。

比如，为了公式题学到“只输出数字”，可能会影响需要解释推理过程的题；为了代码题学到“只输出函数体”，也可能不适合知识问答。任务越多，单一prompt就越容易变成一个互相冲突的杂糅体。

这就是EEVEE要面对的核心挑战：智能体不能只在单科变强，而要在多种任务中一起进化。

任务越多，差距越明显

EEVEE最有说服力的结果，不是单个任务上的分数，而是任务不断增加时的表现。

研究团队把多个不同类型的任务依次加入同一个学习过程，观察不同的prompt learning方法，能不能持续累积收益。

结果相当直接：

当任务越来越多时，一些强基线方法的收益开始停止叠加，甚至跌到负数；而EEVEE仍然保持正向提升，最终在所有任务都加入后，达到了约+42的累计提升。

换句话说，EEVEE的优势不是“单点提分”，而是任务变复杂之后，它还能继续往上走。

这一点非常关键。因为真实世界里的Agent，面对的永远不是一个干净、封闭、单一的任务环境，而是不断变化的任务组合。

全方位的提升：不同模型上都有效

在主实验中，研究团队使用了四类代表性任务：知识问答、公式计算、数学/符号推理、代码生成。这些任务组合在一起，构建了一个更接近真实Agent工作负载的混合环境。

在这个设置下，EEVEE在不同的backbone上都带来了明显提升：

• 在Qwen3-4B-Instruct上，平均分从41.37提升到51.75，相对提升约25%
• 在DeepSeek-V3.2上，平均分从39.75提升到64.07，相对提升约61%
• 相比现有SOTA prompt-learning方法，最高相对提升达到48.2%

这说明EEVEE并不是只对某个特定模型、某个特定任务有效，而是在更广泛的混合任务设定中，都能让智能体获得更稳定的整体提升。

不只是“多开几个prompt”：EEVEE如何让智能体分工进化？

EEVEE的思路，可以用一句话概括：先分流，再用专门的prompt推理。

它不再让所有任务共享一个prompt，而是维护多个专业化的prompts。每当新的输入到来，EEVEE会先判断它更适合哪一类prompt，再让模型带着对应的prompt去回答。

但这并不是简单的人工分类。

EEVEE不会事先规定“数学题走数学prompt，代码题走代码prompt”。因为真实任务的差异，往往不在表面的任务名称上，而在于不同prompt的实际表现上。

同样是数学题，有的需要公式计算，有的需要定理推理，有的需要严格的输出格式。真正有用的划分，是在学习过程中逐渐形成的。

这也带来了一个关键难点：router和prompt不能分开学。

router决定了每个prompt会看到哪些样本；而prompt的能力，又决定了怎样的路由才是有意义的。所以，EEVEE采用了router–prompt co-evolution：先优化router，重新划分任务；再优化每个prompt；随后把更新后的prompt反馈给下一轮router。这个过程不断循环，让路由越来越清晰，prompt越来越专门化。

最终，智能体不是靠一个越来越长、越来越混乱的prompt去适应所有任务，而是把经验组织起来，让不同的任务模式进入更适合自己的学习路径。

单一任务上，依旧优秀

一个很自然的问题是：如果EEVEE是为多任务设计的，它会不会牺牲单任务的能力？

实验给出的答案是：并不会。

当每个benchmark单独进行prompt learning时，EEVEE仍然保持了很强的竞争力。例如：

• Formula任务达到55.25
• HumanEval任务达到73.17
• TheoremQA从14.73提升到25.27

这说明EEVEE并不是靠着“路由”来掩盖prompt learning本身的不足。相反，它的prompt学习机制在单任务上同样有效；而当任务变多时，router才进一步发挥组织经验、避免互相干扰的作用。

不靠堆砌上下文

很多让Agent变强的方法，都有一个共同的副作用：上下文越来越长。

系统不断地把经验、规则、案例、playbook追加进prompt，短期内看可能有效，但任务一多，成本就会迅速上升，prompt也会变得冗长混乱。

EEVEE没有走这条路。

虽然它增加了一个路由步骤，但整体的token成本仍然保持在较低水平。实验显示，EEVEE平均每个测试样本使用4.32K tokens，接近高效的prompt-learning基线GEPA的3.47K，远低于ACE的21.30K。

也就是说，EEVEE的提升并不是靠无限扩展上下文堆出来的，而是来自更有效的任务组织和prompt specialization。

Prompt learning真正学到的是什么？

论文中的案例分析也揭示了一个非常有趣的现象：

Prompt learning最擅长学习的，不是凭空补充知识，而是把反馈转化成可复用的做事方式。

在代码任务中，它能学会保持函数接口、输出可执行代码、处理边界条件；在公式任务中，它能学会正确套用公式、保持单位尺度、输出符合评测要求的答案格式。

但对于知识密集型问答，情况会更复杂一些。Prompt learning可以让模型推理更系统，却不一定能补上缺失的领域知识。如果模型本身就缺少关键事实，单靠prompt往往解决不了。

这说明EEVEE并不是在宣称prompt learning可以解决一切。它真正展示的是：当反馈能够变成可复用的过程、格式和策略时，智能体可以在测试时持续吸收这些经验，并把它们组织到更合适的prompt中去。

这，比单纯“改一个prompt”更接近真实Agent的学习方式。

让Agent从单科进步走向全方位进化

过去的prompt optimization，更像是在训练一个Agent做好某一门课。

它可以在一个固定任务上反复练习，逐渐摸清规律，拿到更高的分数。

但真实世界要求的，不是“单科提分”，而是更接近“全科成长”：任务不断变化，反馈不断变化，能力需求也在不断变化。一个真正有用的self-improving Agent，必须能在部署后继续适应这些变化，而不是只在单一benchmark上越来越熟练。

EEVEE的意义就在这里。

它把test-time prompt learning从单一任务，推向了多类型任务共同到来的场景，让智能体开始学习如何组织经验、区分任务模式、保留不同能力，并在复杂的任务流中继续提升整体表现。

这当然还不是最终形态。论文也指出，EEVEE仍然依赖ground-truth或rule-based feedback，还不是完全在线、完全自监督的自我提升系统。

但它迈出了关键一步：当智能体真正面对真实世界中复杂、多样、不断变化的任务时，prompt learning仍然可以成为一种有效的持续适应机制。

从单一任务到全方位进化——这就是EEVEE想打开的一扇门。