斯坦福和Google双论文揭秘：如何让AI系统真正学会学习？从“上下文”和“策略记忆”出发，高效完成学术科研任务！

各位同仁好，我是七哥。一个在高校里从事人工智能 相关领域研究，钻研用大模型AI实操的学术人。可以和七哥交流学术写作或Gemini、GPT、Claude 等大模型    学术实操相关问题，多多交流，相互成就，共同进步。

在学术科研当中，不少同仁已经开始学会使用AI工具来辅助写作、润色、代码调试以及实验设计等任务。但我相信各位同仁都会有这种体验：一开始用AI辅助的时候，AI出来的效果确实很惊艳，回答的很快；但多次迭代真正让它对内容进行深入时，就会发现它经常记不住事，没办法持续进步，也很难在一次次提问中越用越聪明。

这背后，其实触及了一个非常核心的问题：如何让AI系统真正具备持续学习和自我进化的能力。

七哥最近看到两篇非常有意思的论文，恰好都在试图解决这个难题。第一篇是来自MarkTechPost 的文章，介绍了斯坦福的Agentic Context Engineering，它提出了一种通过动态演化上下文，而不是传统微调方式，让大模型能够在使用过程中实现自我改进；第二篇则是介绍了Google AI 的 ReasoningBank 框架，它让AI系统在测试阶段就能主动总结、提炼和进化自己的策略，相当于让大模型在实操中 来持续成长。

两项研究看起来出发点确实不同，一个关注上下文优化，一个聚焦策略记忆，但本质上都在回答同一个问题，那就是怎么让AI真正学会学习。接下来我就把这两篇论文的核心要点进行梳理，希望各位同仁看完后能有所收获。

虽然这两篇论文的目标一样，但它们的路径不同，一个偏“上下文”，一个偏“记忆”，我们先来看第一篇论文的核心要点。

第一篇论文：ACE（Agentic Context Engineering）

关键词：上下