EEVEE: Towards Test-time Prompt Learning in the Real World for Self-Improving Agents
EEVEE：面向现实世界多数据流测试时提示学习的自改进智能体
🧭 多任务测试时提示学习与自改进智能体 ★ 深度解读
Shanghai Jiao Tong University · Princeton University
通过路由器和提示协同进化，在异构多任务流中实现稳定的测试时提示学习，缓解跨任务干扰
📌 工作参考价值（4 点）
- 多场景路由提示适配：可借鉴 router 条件下的多 prompt 集成分思路，为电商推荐中不同业务线（如搜索推荐、直播文案、商品描述）自动分配专用 prompt，避免统一 prompt 在任务间相互干扰。
- 路由与提示协同更新策略：在 Multi-Agent 系统中，可将路由器视为任务分配 Agent，提示视为执行 Agent，借鉴交替进化的训练流程（初始化→交替探索→收敛）来最小化耦合风险，实现自改进的协作模式。
- Pareto 前沿多样性提示初始化：使用贪婪覆盖选择互补 prompt，可应用于生成式推荐中构建多风格文案生成器或 Semantic ID 多样性集合，确保不同 prompt 覆盖不同的用户意图。
- 过程性任务优先优化：实验表明测试时提示学习对可转化为可复用规则的代码生成、公式计算等提升显著，但对领域知识密集型任务可能削弱知识利用。在电商文案生成中，可优先用于格式约束强、可模板化的任务（如自动生成标题、卖点），减少对知识密集型描述的过度干预。