突破 Agent 终身学习瓶颈：Agent-Dice，基于几何过滤的参数融合解决大模型智能体的“灾难性遗忘”

背景：随着大语言模型驱动的智能体向多任务、跨环境持续演进，如何在学习新技能的同时避免遗忘旧知识，即克服“稳定性-塑性困境”和“灾难性遗忘”，成为关键挑战。研究目的：上海交通大学研究团队提出Agent-Dice框架，旨在通过几何共识过滤和基于曲率的重要性加权，解耦知识更新，实现智能体的高效持续学习。结论：该方法在GUI Agent和Tool-use等复杂场景的实验中显著优于传统增量学习方法，有效缓解了灾难性遗忘，平衡了稳定性与可塑性，为构建终身学习智能体提供了可行的解决方案。