Agentic Context Learning with Self-Discovered Specification

该论文研究LLM的上下文学习（context learning）任务，发现即使前沿模型任务成功率也低于24%。通过大量实验表明，失败主因不是内容获取，而是规范获取（specification acquisition），即从上下文中学习领域特定格式、局部规则等隐性规范。作者提出PSCI方法，通过提取私有规范并进行对抗性检查和修复，在CL-Bench上显著提升性能（GPT-5.1 +5.59pp），并在其他模型上复现。

1. 对导购/agent产品的启示：agent在执行任务时，除了理解用户指令，还需从产品文档、历史交互等上下文中提取隐性规范（如退货规则、促销条件）。可借鉴PSCI思路，在agent中加入规范提取和校验模块。
2. 改变技术选型判断：之前更关注检索增强或长上下文理解，但该论文提示单纯增加上下文长度或检索精度不够，需要显式处理规范。我会在情报平台中增加规范相关论文的跟踪。
3. 下一步行动：精读论文中的PSCI方法和CL-Bench数据集，考虑将其中的规范提取技术集成到导购agent的意图识别与行动规划流程中。