KARMA：面向工业广告智能体的免训练知识原子化执行框架演化

工业广告智能体必须持续调整其决策知识，以适应不断变化的产品供给、流量模式和运营政策。我们提出 KARMA（Knowledge-Atomic, Regression-Gated Modular Adaptation），一种免训练框架，在冻结模型权重和可执行执行框架代码的同时，演化六类知识模块。在演化过程中，确定性的 Trace Verifier 将观测到的错误映射至候选模块，Critic 则比较成功与失败的轨迹，为受工具约束的 Evolver 提供指导。Evolver 执行原子化知识编辑；固定的验证门仅在测得的增益达到阈值时保留这些编辑，否则恢复先前的知识状态。我们使用三个 LLM 系列，在来自六个电子商务领域、约五十万条真实运营日志构成的语料库中采样的案例上评估 KARMA。在 18 个领域—模型设置中，KARMA 将平均留出集得分从 30.19 提升至 39.15（提升 8.96 分，增幅 29.7%）。消融实验表明，移除成功轨迹或失败轨迹中的任一类，都会使平均留出集增益减少一半以上。演化后的知识还能够跨领域迁移，无需进一步适配；在所有源领域—目标领域组合上，平均留出集增益达到 8.54 分。通过将保留的补丁与其诊断证据及验证结果关联起来，KARMA 支持面向 Web 市场中智能体的可检查、可逆知识适配。