让智能体用自己的历次尝试变强、不更新参数：同一个模型先对任务做几次尝试，再由“教练”调用一次把这些执行记录和产物合成为一份按步骤排好的指导（具体路径、取值、命令和要避开的坑），最后由“学生”从任务初始状态重新执行一遍，按实际观察决定照做、调整还是跳过。尝试、合成、执行用的是同一个基础模型，没有更强的老师。
点赞 11 · 代码星数 0
理由
- 作者称在 Terminal-Bench 2.0、Spider2-Lite、AndroidWorld、BrowseComp-Plus 四个基准上，相比不带指导的执行平均提升 9.9 个百分点（GPT 系）和 8.8 个百分点（Claude 系）。
- 比直接塞历史更省：在 BrowseComp-Plus 上，合成指导所用 token 比改造后的 AggAgent 少 98.2%（GPT）和 95.5%（Claude）（作者称）。
- README 给出成本对比：低价模型加 ReGE 在 468 个任务上平均成功率 67.4%，与更贵的模型相当，单任务成本约为其 28%（含生成尝试的费用，按标价计算，作者称）。
用法
- 代码：github.com/TIGER-AI-Lab/ReGE（MIT，Python 3.11+），pip install -r requirements.txt；所有模型调用走 OpenAI 兼容接口，密钥写在 .env。
- 每个基准一个流水线脚本：scripts/run_tb2.sh gpt（Terminal-Bench 2.0）、run_spider.sh、run_androidworld.sh、run_bcp.sh，最后 python scripts/summarize.py 汇总成功率；把 gpt 换成 claude 切换模型系。
- 核心是教练提示词和指导合成，见 src/guidance_moa_experiment.py 与 src/aggregate_deliverable.py，可以搬到自己的多次重试或并行智能体流程里。
风险
- 前提是同一任务可以重复尝试并重置到初始状态；每题要先跑 4 次尝试，总成本约为单次执行的 5 倍（README 表格），README 表 5 的 AndroidWorld 子集上低价模型加指导反而略有下降。
- Terminal-Bench 需要 Docker，AndroidWorld 需要多台安卓模拟器，BrowseComp-Plus 需要自建向量检索服务，环境准备较重；数字均为作者报告。