Human Activity Recognition（HAR）传统上依赖梯度下降训练神经网络。Agentic Heuristic Learning（AHL）Studio 提出一种受人类认知学习启发的补充视角：人们通过记忆示例、归纳规则、纠正错误来学习活动，而非反向传播。该工具在学习阶段让代理在传感器协议上进行推理，生成可执行的启发式策略，记录修复轨迹，并导出无需大语言模型（LLM）的策略以供边缘设备部署。我们围绕 HAR 基准系列构建完整工作流，从数据集观察到面向边缘的导出均在系统中实现。已在十一套 HAR 数据集上评估，AHL 生成的策略在可执行性能上表现强劲，同时保持可检查、可编辑、可回放的特性。 https://github.com/zhaxidele/ahl-ts-studio
点评 本工作展示了无需传统训练即可通过启发式学习实现高效、透明的活动识别，为边缘 AI 提供了新的实现路径。