大型语言模型（LLM）智能体在交互环境中表现出强大能力，但其从经验中持续进化的能力仍受限。微调虽能适应新任务，却依赖参数访问并消耗大量计算，尤其对大规模或闭源模型不友好。外部记忆提供了不改模型参数而累积经验的途径，但现有方法侧重于经验的表示与组织，所获知识仍与特定任务和上下文紧耦合，难以泛化。核心挑战在于将具体交互转化为抽象、可复用的知识，以指导未来决策超越单一经验。
为此我们提出 SAGA（Self‑evolving Agents through Experience‑Grounded Abstraction），一个基于经验的知识抽象与利用框架。SAGA 将交互轨迹逐层转化为情节描述、可复用过程和带有显式适用条件的原则，并保留与执行证据的关联。检索到的原则在任务上下文中实例化为具体指引，用于通过纠错反馈和重采样细化候选动作。该机制形成执行‑抽象‑反馈闭环：累计的知识指导后续交互，新经验不断更新分层记忆。
在 ScienceWorld 和 ALFWorld 两套基准上实验表明，SAGA 能显著提升任务成功率。消融实验揭示，原则的上下文实例化和动作调节是发挥原则层级知识效用的关键因素。
点评：SAGA 展示了通过层次化记忆将经验抽象为可复用原则的可行路径，为大模型在闭源环境下的持续学习提供了新思路。