MIT博士生Jacob X. Li谈Machine Studying：AI代理如何像学生备考一样提前学习

Weaviate Podcast第148期邀请了麻省理工学院（MIT）博士生Jacob X. Li，深入探讨了“Machine Studying”（机器研习）这一新概念。与传统AI代理在运行时从零开始探索仓库不同，Machine Studying主张代理应像学生备考一样，在不知道具体考试题目（下游任务）的情况下，提前研究整个语料库（如代码库、药物发现论文或系统日志），并在测试时仍保留对语料的完全访问权。

节目中讨论了该框架如何重新定义“专家”：即能够高效地将推理时的搜索转化为准确工作的代理，其衡量标准是性能与计算曲线下的加权面积，并将ReAct风格代理循环的搜索预算作为调节旋钮，而非仅仅关注推理努力程度。在此基础上，“研习智能”被定义为专长随学习时间预算变化的函数，以从头重训为基线进行对比。

Jacob X. Li还区分了Machine Studying与持续学习（Continual Learning）。后者通常围绕基准测试序列展开，往往退化为长上下文处理。而Machine Studying依赖于三个核心赌注：使用自监督目标或合成数据；通过LoRA、KV缓存卡带或训练检索器更新权重；以及采用笔记和作弊单等摊销式上下文管理。例如，作弊单在DSPy上表现良好，但在更大更新的OpenClaw代码库上效果减弱，这引发了关于权重与上下文优化权衡的开放讨论。