🧠 EvoLib превращает ошибки и успехи агента в библиотеку навыков без дообучения Фреймворк Microsoft Research делает то, чего так не хватает современным агентам: извлекает переиспользуемое знание из сырого опыта и непрерывно эволюционирует его во время инференса. Вместо того чтобы складировать все цепочки рассуждений как мёртвый лог, EvoLib выделяет из успешных решений навыки, а из неудач — рефлексивные инсайты. Дальше — консолидация похожих единиц знания в более общую форму, и переоценка каждой единицы по тому, сколько она принесёт пользы не прямо сейчас, а в будущих задачах. Никаких ground-truth-разметок, никакого доступа к весам — просто API. Проверили на трёх классах задач: математические рассуждения, написание кода с ограничениями на эффективность и долгосрочное исследование среды. Во всех случаях EvoLib обошёл retrieval-based memory и абстрактные механизмы памяти, причём расходовал меньше токенов. Ключевой график — масштабирование test-time compute: библиотека растёт в качестве быстрее, чем изолированные методы или тупое накопление памяти, показывая, что не объём воспоминаний, а умение обобщать и забывать лишнее даёт основной выигрыш. Код выложен на GitHub. Мы привыкли считать, что настоящее обучение — это градиенты. EvoLib напоминает, что символическая консолидация опыта, старая как AI, ещё может давать прирост там, где модель трогать нельзя. Вопрос в том, сколько шума принесут реальные логи — внешний сбой API или кривой запрос пользователя легко записать как «навык», который потом испортит всю библиотеку. #EvoLib #MicrosoftResearch #агенты #память #обучение