University of Michigan（密歇根大学安娜堡分校）

Improving Language Agents through BREW: Bootstrapping expeRientially-learned Environmental knoWledge

通过BREW改进语言智能体：引导式经验学习环境知识

Shashank Kirtania, Param Biyani, Priyanshu Gupta, Yasharth Bajpai, Roshni Iyer, Sumit Gulwani, Gustavo Soares

机构 * University of Michigan（密歇根大学） ； Independent（独立研究者） ； Microsoft（微软） ； Apple（苹果公司） 纠错

AI总结 研究基于LLM的智能体无法从经验学习的问题，提出BREW框架，通过提炼交互轨迹成知识库、引入EG-MCTS算法及适应事后重标记等方法，在多基准测试中提升任务成功率并减少执行步骤，且知识库具有良好特性。

Multi-Metric Adaptive Experimental Design Under a Fixed Budget with Validation

固定预算下带验证的多指标自适应实验设计

Qining Zhang, Tanner Fiez, Yi Liu, Wenyang Liu

机构 * University of Michigan（密歇根大学） ； Amazon（亚马逊） 纠错

AI总结 针对在线实验中多指标测试的统计功效及AED推断统计量不足的问题，提出固定预算多指标AED框架，含探索与验证两阶段。提出SHRVar方法，其错误概率指数级降低，数值实验验证了该方法的性能与鲁棒性。

Comments Published in AISTATS 2026