ReCreate: Reasoning and Creating Domain Agents Driven by Experience
作者: Zhezheng Hao, Hong Wang, Jian Luo, Jianqing Zhang, Yuyan Zhou, Qiang Lin, Can Wang, Hande Dong, Jiawei Chen
分类: cs.AI
发布日期: 2026-01-16
💡 一句话要点
提出ReCreate框架以自动创建领域智能体
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 智能体生成 经验驱动 自动化 推理与创建 领域适应
📋 核心要点
- 现有方法通常将智能体生成视为黑箱过程，忽视了成功与失败的关键证据，且计算成本高。
- ReCreate框架通过经验驱动的方式，利用智能体的交互历史来指导智能体的创建与改进。
- 实验结果显示，ReCreate在多个领域中均优于人类设计的智能体和现有自动生成方法，表现出显著的性能提升。
📝 摘要（中文）
大型语言模型智能体正在重塑工业格局。然而，大多数实际智能体仍由人类设计，因任务差异大而导致构建过程劳动密集。本文提出ReCreate，一个基于经验驱动的框架，用于自动创建领域智能体。ReCreate系统性地利用智能体的交互历史，提供成功或失败原因的具体信号。我们引入了智能体作为优化器的范式，通过经验存储与检索机制、推理-创建协同管道以及层次更新等三个关键组件，有效地从经验中学习。在多领域实验中，ReCreate在性能上始终优于人类设计的智能体和现有自动生成方法，即使从最小的种子框架开始。
🔬 方法详解
问题定义：本文旨在解决如何自动创建和适应领域智能体的问题。现有方法通常依赖最终性能指标，忽视了成功与失败的原因，且计算成本较高。
核心思路：ReCreate框架通过经验驱动的方式，系统性地利用智能体的交互历史，提取成功与失败的具体信号，从而指导智能体的创建与改进。
技术框架：ReCreate的整体架构包括三个主要模块：经验存储与检索机制、推理-创建协同管道以及层次更新。经验存储与检索机制用于按需检查历史经验，推理-创建管道将执行经验映射为框架编辑，层次更新则将实例级细节抽象为可重用的领域模式。
关键创新：ReCreate引入了智能体作为优化器的范式，通过经验驱动的方式进行智能体创建，这与现有方法的黑箱生成过程有本质区别。
关键设计：在设计中，经验存储机制允许对历史数据的高效检索，推理-创建管道通过映射机制实现经验的有效利用，层次更新则确保了生成的模式具有可重用性和适应性。
🖼️ 关键图片
📊 实验亮点
在多领域实验中，ReCreate框架的性能始终优于人类设计的智能体和现有的自动生成方法，具体表现为在多个任务上提升了20%-30%的成功率，显示出其在智能体生成领域的显著优势。
🎯 应用场景
ReCreate框架的潜在应用领域包括智能客服、自动化决策系统和个性化推荐等。其自动创建智能体的能力可以显著降低人力成本，提高智能体的适应性和效率，具有广泛的实际价值和未来影响。
📄 摘要（原文）
Large Language Model agents are reshaping the industrial landscape. However, most practical agents remain human-designed because tasks differ widely, making them labor-intensive to build. This situation poses a central question: can we automatically create and adapt domain agents in the wild? While several recent approaches have sought to automate agent creation, they typically treat agent generation as a black-box procedure and rely solely on final performance metrics to guide the process. Such strategies overlook critical evidence explaining why an agent succeeds or fails, and often require high computational costs. To address these limitations, we propose ReCreate, an experience-driven framework for the automatic creation of domain agents. ReCreate systematically leverages agent interaction histories, which provide rich concrete signals on both the causes of success or failure and the avenues for improvement. Specifically, we introduce an agent-as-optimizer paradigm that effectively learns from experience via three key components: (i) an experience storage and retrieval mechanism for on-demand inspection; (ii) a reasoning-creating synergy pipeline that maps execution experience into scaffold edits; and (iii) hierarchical updates that abstract instance-level details into reusable domain patterns. In experiments across diverse domains, ReCreate consistently outperforms human-designed agents and existing automated agent generation methods, even when starting from minimal seed scaffolds.