CMU提出ARISE方法：智能体自然语言子程序执行比代码工具更准，自报提升6.1个百分点

卡内基梅隆大学研究团队于2026年10月14日更新预印本，提出名为ARISE（Agent Routine Induction from Successful Experience）的方法。该方法从智能体的成功轨迹中提取重复出现的程序，并将其合成为可复用的“智能体子程序”库。与以往将知识作为技能注入上下文或重写为Python工具不同，ARISE让大语言模型直接解释并执行这些自然语言规范。

在叙事演绎、规则应用和约束规划等五项任务的评估中，作者报告ARISE在所有十个模型-任务设置中均优于思维链提示。与当前最先进的经验诱导方法相比，其平均得分高出6.1个百分点；与代码技能诱导相比，高出11.5个百分点。控制实验显示，仅改变执行接口——即由独立调用LLM执行子程序而非将相同文本作为技能放入上下文——平均准确率提升高达15.6个百分点；若将相同程序改写为Python工具，则在九个设置中表现更差。

该结果基于作者自测，未说明具体硬件配置及统计显著性检验细节，且仅在特定逻辑推理任务上验证。目前尚无第三方独立复现报告，其在复杂开放环境中的泛化能力有待观察。