专业平面设计是一项长时程的代理任务，需在众多相互依赖的操作中生成结构化、可编辑的作品，但其结果缺乏可靠的程序化判据。我们提出一种持续适应框架：一个冻结的前沿模型通过 230 多种专业设计软件工具执行操作，而外部的自然语言技能程序化记忆则从经验中累积并精炼可复用的设计流程。记忆通过两种机制扩展：
- 拓宽：为经常出现的子任务捕获新流程；
- 加深：依据自身成功或失败的执行记录修订已有流程。匹配的回放门仅允许修复失败且不回退已观察到的成功。
在 1,406 条真实用户简报和 1,869 条自动评分轨迹上进行五轮实验，未进行权重更新，也未使用人工标签，技能库从 76 条文档衍生技能增长至 139 条。GenEval2 在 Claude‑Sonnet‑4 上的执行成功率从 72.7% 提升至 99.3%，生成质量提升 11.99 分。四个专门化设计基准上，对比无技能代理的胜率分别为 61.8%（Claude‑Sonnet‑4）和 67.6%（Claude‑Opus‑4.6）。
在 200 条用户流量基准的持出简报上，单独使用拓宽或加深的胜率为 49.4% / 48.6%，两者结合后达到 58.5%（p = 0.025）。程序化记忆为在噪声、不可验证反馈下的代理持续适应提供了实用路径。
点评：该工作展示了通过外部可编辑的程序化记忆实现大模型在复杂设计任务中的零权重更新适应，兼顾了可解释性与可扩展性，为未来的交互式创意 AI 奠定了基础。