研究無課表化的環境預處理：讓 Agent 在未知任務下自主準備資產
為何重要
此研究揭示了將計算負載從測試階段轉移至預任務（Pre-task）學習階段的可能性，這對於降低生產環境中高頻繁且昂貴的 API 呼叫成本至關重要。對開發者而言，這意味著部署高度 adapatable 的通用代理時，不再需要依賴無限的測試反饋，而是 smarter 的預處理策略。對產業而言，這是朝向低成本、高效率的通用 Agent 架構邁進的重要一步，有助於縮短模型從原理驗證到實際應用的落地時程。
本研究挑戰現有依賴監督訓練資料來適應新環境的 LLM 代理方法，提出一種「無課表」的研究框架，讓代理能在未預知下游任務分佈的情況下，依照預算探索環境並自行決定如何準備資源以供後續使用。
- 研究形式化定義了「無任務關聯性環境預處理」，系統需在預算內探索環境並產生可重用的資產，以供冷凍式解題器使用。
- 實驗對照了六個異質性基準測試中的「無輔助元代理」、「具歸檔功能元代理」與固定合成練習/語料庫處理法。
- 某種元代理變體在五個基準測試中獲得最高 Avg@3 回報率，而固定的語料庫處理方法在最大語料庫基準上仍保持領先。
- 更大的研究預算並未一致性地提升下游任務利潤（reward），但這些預備學習的資產確實能顯著減少測試時所需的取樣次數。