核心发现
方法论
该研究提出了一种持续适应框架，利用冻结的前沿模型操作专业设计软件，通过外部程序记忆积累和优化自然语言技能。记忆通过获取未覆盖子任务的程序来扩展，并通过修订现有程序来加深。
关键结果
- 在Claude-Sonnet-4上，GenEval2执行成功率从72.7%提升至99.3%，技能库从76个扩展至139个。
- 在四个专业设计基准上，EVOLVE代理的胜率为61.8%至67.6%。
- 单独扩展或加深技能的胜率约为49%，而结合使用则达到58.5%。
研究意义
该研究为在噪声和不可验证反馈下的代理持续适应提供了实用途径，解决了专业图形设计中长期任务的复杂性问题。
技术贡献
通过程序记忆的进化，研究展示了如何在不更新模型权重的情况下提高代理的执行成功率，提出了匹配重放门机制以确保改进。
新颖性
首次在图形设计中应用程序记忆进化机制，通过用户流量不断优化技能库，解决了设计任务中无可靠成功预言机的问题。
局限性
- 程序记忆机制可能在某些复杂设计任务中失效，导致技能库无法有效扩展。
- 重放门机制可能无法完全避免某些情况下的回归。
未来方向
未来研究可探索程序记忆在其他领域的应用，如视频编辑或音乐创作，并优化技能库的扩展和加深机制。
AI 总览摘要
专业图形设计是一项复杂的任务，涉及多个相互依赖的操作。传统方法难以提供可靠的程序化预言机来保证设计成功。本研究提出了一种持续适应框架，利用冻结的前沿模型操作设计软件，并通过程序记忆积累和优化技能。经过五轮进化，技能库从76个扩展至139个，GenEval2执行成功率从72.7%提升至99.3%。该方法在多个设计基准上表现优异，胜率显著提高。尽管如此，程序记忆机制在某些复杂任务中可能失效，未来研究可探索其在其他领域的应用。
深度分析
研究背景
近年来，生成模型在图像合成方面取得了显著进展，但专业图形设计需要可编辑的结构化输出。现有方法难以处理设计任务的复杂性，尤其是在没有可靠成功预言机的情况下。
核心问题
专业图形设计涉及多个相互依赖的操作，结果难以验证，设计任务无可靠成功预言机，导致监督学习成本高昂。
核心创新
提出了一种程序记忆进化机制，通过用户流量不断优化技能库，解决设计任务中无可靠成功预言机的问题。
方法详解
- �� 冻结前沿模型操作设计软件
- �� 外部程序记忆积累自然语言技能
- �� 通过匹配重放门机制确保技能改进
- �� 技能库扩展和加深
实验设计
实验设计包括五轮进化，使用1,406个用户简报和1,869个自动评分轨迹，评估技能库的扩展和加深效果。
结果分析
GenEval2执行成功率从72.7%提升至99.3%，技能库从76个扩展至139个，EVOLVE代理在多个设计基准上胜率显著提高。
应用场景
程序记忆机制可应用于其他创意领域，如视频编辑或音乐创作，提升代理的持续适应能力。
局限与展望
程序记忆机制在某些复杂设计任务中可能失效，重放门机制可能无法完全避免回归，未来研究需优化技能库扩展和加深机制。
通俗解读 非专业人士也能看懂
想象一个厨房，厨师需要完成一道复杂的菜肴。传统方法就像一本食谱，告诉厨师每一步该怎么做，但如果食材不够或步骤不清晰，菜肴可能失败。程序记忆机制就像一个经验丰富的厨师，他能根据过去的经验调整步骤，确保菜肴成功。通过不断尝试和优化，厨师的技能库不断扩展，最终能应对各种复杂菜肴。
简单解释 像给14岁少年讲一样
想象你在玩一个复杂的游戏，需要完成很多任务才能赢。传统方法就像攻略，告诉你每一步该怎么做，但如果攻略不够详细，你可能会失败。程序记忆机制就像一个经验丰富的玩家，他能根据过去的经验调整策略，确保你赢。通过不断尝试和优化，玩家的技能库不断扩展，最终能应对各种复杂任务。
术语表
程序记忆 (Procedural Memory)
一种积累和优化技能的机制，通过经验不断扩展和加深技能库。
在研究中用于优化图形设计代理的技能库。
冻结前沿模型 (Frozen Frontier Model)
一种不更新权重的模型，用于操作设计软件。
在研究中用于操作超过230种设计工具。
匹配重放门 (Matched Replay Gate)
一种机制，用于确保技能改进不回归。
用于评估技能库的扩展和加深效果。
GenEval2
一种评估图像生成质量的基准。
用于评估EVOLVE代理的执行成功率。
Claude-Sonnet-4
一种基础模型，用于图形设计任务。
在研究中用于评估EVOLVE代理的性能。
开放问题 这项研究留下的未解疑问
- 1 程序记忆机制在其他领域的应用效果尚不明确，需要进一步研究。
- 2 匹配重放门机制在某些情况下可能无法完全避免回归。
应用场景
近期应用
图形设计优化
设计师可利用程序记忆机制优化设计流程，提高效率和成功率。
远期愿景
跨领域应用
程序记忆机制可应用于其他创意领域，如视频编辑或音乐创作，提升代理的持续适应能力。
原文摘要
Professional graphic design is a long-horizon agentic task in which structured, editable artifacts emerge from many interdependent actions, yet outcomes admit no reliable programmatic oracle. We introduce a continual adaptation framework in which a frozen frontier model operates professional design software through more than 230 tools, while an external procedural memory of natural-language skills accumulates and refines reusable design procedures from experience. The memory widens by acquiring procedures for recurring uncovered subtasks and deepens by revising existing procedures against their own successful and failed executions, while a matched replay gate admits only changes that repair failures without regressing observed successes. Five rounds over 1,406 real user briefs and 1,869 automatically graded trajectories, with no weight updates and no human labels, grow the bank from 76 documentation-derived skills to 139 and raise GenEval2 execution success on Claude-Sonnet-4 from 72.7% to 99.3% (+11.99 points in generation quality), with 61.8% and 67.6% win rates against the no-skill agent across four specialized design benchmarks on Claude-Sonnet-4 and Claude-Opus-4.6. We further show the two mechanisms are effective in combination: on 200 held-out briefs from user-traffic benchmark, widening or deepening alone reaches a 49.4% / 48.6% win rate over the no-skill agent, while their combination reaches 58.5% (p = 0.025). Procedural memory offers a practical route to continual adaptation of agents under noisy, unverifiable feedback.