無大綱學習：任務無關的環境預處理方法

研究提出「無大綱學習」（task-agnostic environment preprocessing）機制，讓 LLM Agent 在面對新環境時，無需依賴特定任務範例、軌跡或評估反饋，即可自主探索並建構可重用資源，例如索引、腳本或程序性指導。

現有自動化適應方法大多依賴上述監督資訊來決定建構內容，而現有的任務無關方法雖能避免此類監督，卻會提前承諾針對特定類型環境的準備策略。本研究探討更開放的設定，即 Agent 能否在測試前、缺乏下游任務分佈知識的情況下，無預設條件地研究不熟悉環境並選擇準備方式。

研究將此過程形式化為由學習系統在預算限制下探索環境，並為凍結求解器（frozen solver）產生工件。研究比較了無輔助與具備存檔的元智能體（meta-agents），以及固定的合成練習與語料庫處理方法。