随着大语言模型和智能体（Agent）技术快速发展，人工智能正在从信息处理工具逐步演进为能够自主规划、决策和执行复杂任务的智能系统，并在科学发现、软件开发、数据分析、推荐系统以及具身智能等领域展现出广阔应用前景。然而，当前主流技术路线仍高度依赖海量数据、超大规模模型和持续增长的计算资源。随着模型训练、推理和部署成本不断攀升，如何利用有限数据、有限监督和有限交互资源实现高效学习，正成为下一代智能体系统发展的关键问题。

近日，北京雁栖湖应用数学研究院（BIMSA）人工智能团队完成综述论文《Beyond Scaling: A Survey of Data-Efficient Learning for LLM Agents》，系统梳理了数据高效智能体学习（Data-Efficient Agentic Learning）这一新兴研究方向的发展脉络，并从经验增强（Experience Augmentation）、智能体结构设计（Agent Structural Design）和学习范式（Learning Paradigms）三个维度构建统一研究框架。该论文被人工智能领域国际顶级学术会议 International Joint Conference on Artificial Intelligence（IJCAI 2026）接收。

论文作者包括王雅晴（北京雁栖湖应用数学研究院，副研究员）、罗震林（北京雁栖湖应用数学研究院、中国人民大学统计与大数据研究院，博士生）、赵培遥（北京雁栖湖应用数学研究院、清华大学丘成桐数学科学中心，博士后）、蔡云峰（北京雁栖湖应用数学研究院，研究员）以及姚权铭（清华大学，副教授）。

针对大模型智能体在真实场景中的数据成本、反馈成本和交互成本问题，论文从数据效率（Data Efficiency）的视角重新审视智能体学习的发展路径，将近年来分散于经验复用、记忆增强、结构化上下文、测试时学习、偏好学习以及智能体架构设计等方向的研究成果统一纳入“Data-Efficient Agentic Learning”框架之下。相比单纯依赖模型规模扩张的 Scaling 路线，该框架更加关注如何利用已有经验、有限反馈和结构化知识持续提升智能体能力，从而降低学习成本、提高泛化性能，并增强系统在真实环境中的适应能力和持续演化能力。

论文进一步从经验增强、智能体结构设计和学习范式三个维度系统总结了相关研究进展。在经验增强方面，论文重点讨论经验检索、案例复用、长期记忆以及模拟交互等技术；在智能体结构设计方面，分析模块化智能体、多智能体协作、工具增强和外部知识集成等代表性框架；在学习范式方面，梳理上下文学习、测试时适应、偏好学习以及预算受限强化学习等方向的发展现状与挑战。通过这一框架，论文为理解大模型智能体如何在有限资源条件下学习、适应和进化提供了系统化视角。

研究团队认为，随着大模型智能体逐步从实验室走向产业应用，数据效率将成为与模型能力同等重要的核心指标。数据高效智能体学习不仅能够为学术界理解智能体学习机制提供统一框架，也能够为企业级智能体系统的设计、部署和持续优化提供实践指导。例如，在企业知识助手、软件工程智能体、GUI 智能体、科学智能以及个性化推荐等场景中，系统往往难以持续获得大规模高质量标注数据，而需要依赖历史经验、用户反馈、结构化知识和有限交互不断提升能力。数据高效智能体学习框架为此类真实生产场景提供了系统性的技术路线，对于降低部署成本、提升迭代效率、增强长期服务能力具有重要价值。

为进一步推动数据高效智能体学习的发展，促进相关领域研究者之间的交流与合作，王雅晴副研究员与香港教育大学尹楠助理教授共同组织了 ADMA 2026 国际会议专题论坛“Data-Efficient Agentic Learning for Data Mining（DEAL-DM）”。该专题论坛聚焦数据高效学习与智能体技术的交叉研究，重点关注经验复用、结构化上下文、记忆增强、个性化智能体、测试时学习、预算高效强化学习以及科学智能等前沿方向，旨在探索如何在有限数据、有限反馈和有限交互资源条件下构建更高效、更可靠、更具适应性的智能体系统。

DEAL-DM 希望汇聚来自数据挖掘、机器学习、大语言模型、智能体系统、推荐系统、科学智能及相关应用领域的研究力量，共同探索数据高效智能体学习的理论基础、关键技术与应用实践，推动该方向从学术研究走向产业落地。ADMA 是中国计算机学会（CCF）推荐的 C 类国际学术会议，录用论文将收入 ADMA 2026 会议论文集，并由 Springer LNCS 系列出版。专题论坛现已面向全球开放征稿，论文投稿截止日期为 2026年6月26日。研究团队诚挚欢迎国内外研究人员积极投稿、交流最新成果，共同建设这一快速发展的新兴研究方向。