GEPA-Curator: Curated Learning for Self Improving Agents 封面
HuggingFace
论文2026-10-2…

GEPA-Curator: Curated Learning for Self Improving Agents

Large Language Models (LLMs) are increasingly used in multi-turn agentic workloads that require sustained interaction with complex environments. Existing reflective prompt optimizers such as GEPA learn from failed rollo…

来源:HuggingFace Papers收录于 2026年11月3日

站内导读

中文

用途:GEPA-Curator 是面向自我改进 Agent 的精选学习方案,让多轮任务中的反思式提示优化只从经过筛选的失败轨迹里学习,减少噪声反馈带来的干扰。 能做什么

  • 针对多轮 Agent 工作负载,处理需要与复杂环境持续交互的提示优化问题
  • 在 GEPA 等反思式提示优化器的基础上,引入对失败轨迹的筛选机制
  • 让优化过程只使用经过精选的学习样本,而非全部原始 rollout
  • 面向 Agent 的自我改进流程,关注反馈质量对提示迭代的影响

适用场景:适合正在搭建多轮 Agent、并使用反思式提示优化器调优提示的开发者与研究者,需要具备 LLM API 调用条件和轨迹数据。 注意:README 原文不完整,具体筛选策略与实验结论未给出。

相关项目 · HuggingFace

查看全部「HuggingFace」项目 →