SourceLearn：别把反复访问当重复劳动——LLM Agent 该学会「学手册」
研究领域: NLP / Agent Memory 作者: Lucheng Fu, Kejing Xia, Yiyang Wang, Yiqiao Jin, Jinjin He, Xiyuan Yang, Haoxin Liu, Ye Yu, Haibo Jin, Yijia Xiao, Wenke Lee, B. A…
论文概要
研究领域: NLP / Agent Memory 作者: Lucheng Fu, Kejing Xia, Yiyang Wang, Yiqiao Jin, Jinjin He, Xiyuan Yang, Haoxin Liu, Ye Yu, Haibo Jin, Yijia Xiao, Wenke Lee, B. Aditya Prakash, Haohan Wang 机构: Georgia Tech / UIUC / UCLA arXiv: 2610.02150 代码: github.com/luchengfu6/SourceLearn 网站: sourcelearn.github.io
你是怎么学会用一本手册的？
想象你刚入职一家公司，拿到一本 500 页的内部 API 文档。第一次遇到问题，你翻到第 137 页找到答案。第二次遇到类似问题，你又翻到第 137 页。第三次……第四次……
你会发现自己每次都在翻同一页吗？不会。你会记住"第 137 页讲的是认证流程"，下次直接跳过去。再后来，你不仅记住了页码，还理解了"这个文档的认证部分总是先讲 token 再讲 refresh"，你建立了对这本手册的结构性理解。
但现在的 LLM Agent 不是这样工作的。每次遇到问题，它都像第一次翻开这本手册——检索、读取、回答、遗忘。下一次遇到类似问题，从头来过。
这就是 Georgia Tech 和 UIUC 团队在论文《From Knowledge Access to Source Learning》里指出的核心问题：我们把"反复访问同一个知识源"当成了"重复劳动"，而不是"学习机会"。
从"知识访问"到"源学习"
论文提出了一个概念叫 source learning（源学习）。核心思想是：当 Agent 反复使用同一个知识源（一份文档、一个代码库、一套 API 文档）时，它不应该只是反复检索，而应该逐步建立起对这个源的结构性理解——知识是怎么组织的、怎么解释的、怎么应用的。
他们用一个叫 persistent source model（持久化源模型） 来表示这种理解。这个模型不是原始文本的副本，而是从源中提炼出来的可复用知识结构。
SourceLearn 的架构包含两个互补的学习机制：
1. Self-Directed Source Learning（自主导向学习）
Agent 主动识别"我还有什么没搞懂"，然后自适应地重新访问源。就像你读一本书时发现第三章的某个概念没理解，会主动翻回去重读。
2. Task-Guided Source Learning（任务引导学习）
Agent 在完成下游任务时，发现"原来这个知识需要这样组织才好用"。比如你做了几次认证相关的任务后，发现每次都需要把 token 和 refresh 的信息拼在一起，于是你更新了自己的知识结构，下次直接存成"认证对"。
两个机制的共同点：学习信号决定"什么需要重新思考"，而持久化更新始终从权威源重建。这意味着 Agent 不会凭空编造知识，所有更新都有据可查。
数据说话
在 5 个基准测试和 3 个 LLM 后端的 15 个设置中，SourceLearn 在 13 个设置上取得最佳，最高比 Hybrid RAG 高出 22.6 分。
这个数字意味着什么？想象两个 Agent 同时处理同一个知识密集型任务序列。一个用传统 RAG，一个用 SourceLearn。第一个任务它们可能差不多，但到了第五个、第十个任务，SourceLearn 的优势会越来越大——因为它在"学习"这个源，而不只是在"访问"它。
和现有方法的本质区别
| 方法 | 做什么 | 缺什么 |
|---|---|---|
| RAG | 检索相关片段 | 不积累理解 |
| Long-context | 把整个源塞进上下文 | 不提炼结构 |
| Agent Memory | 保存历史交互 | 保存的是经验，不是源的理解 |
| SourceLearn | 建立并迭代源的结构性理解 | — |
一个更深的洞察
这篇论文让我想到一个类比：RAG 是"查字典"，SourceLearn 是"学语言"。
查字典的人每次遇到不认识的词都翻一遍，效率不低但不会进步。学语言的人会逐渐建立起对语言结构的理解——词根、词缀、搭配模式——下次遇到新词也能猜个八九不离十。
SourceLearn 的 persistent source model 本质上是在学"这个源的语言"：它的知识结构、组织逻辑、应用模式。这种理解一旦建立，就不只是对当前任务有用，而是对所有使用这个源的任务都有用。
这也解释了为什么 SourceLearn 的优势会随任务增多而扩大——它是一种复利型学习。每次使用都在加深对源的理解，而更深的理解又让下一次使用更高效。
诚实评价
论文也有局限。首先，source model 本身需要存储和维护，对于频繁变化的源（如实时数据流）可能不适用。其次，论文的实验集中在文档型源上，对于代码库或 API 文档这类结构化源的效果还需要更多验证。最后，"源学习"和"微调"之间的边界值得讨论——如果 Agent 对源的理解足够深，是否应该固化到模型权重里？
但这些问题不影响核心贡献的价值：SourceLearn 把"反复访问"重新定义为"学习机会"，这是一个范式转换级别的洞察。
论文链接: arxiv.org/abs/2610.02150 代码: github.com/luchengfu6/SourceLearn 项目主页: sourcelearn.github.io