PSEC

让AI智能体像搭积木一样，在参数空间里不断学习新技能、组合旧技能，应对新挑战。

PSEC是一个面向智能体（Agent）的技能扩展与组合框架，其核心思想是在参数空间中实现技能的动态扩展与灵活组合。它解决的是智能体在面对新任务时，如何高效复用已有技能、快速学习新技能，并避免灾难性遗忘的问题。PSEC通过将技能表示为参数空间中的特定方向或子空间，支持技能的增量式添加与模块化组合，从而让智能体能够持续进化，应对不断变化的挑战。该框架提供了官方实现，基于Python，并已在ICLR 2025上发表，适合用于机器人控制、游戏AI、多任务学习等场景。其核心能力包括：参数空间中的技能分解、技能组合的优化策略，以及与主流深度学习框架的集成接口。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 66

维护状态低维护

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队ltlhuuu

所属国家

官网地址https://ltlhuuu.github.io/PSEC

GitHubhttps://github.com/ltlhuuu/PSEC

定价模式free

价格说明开源项目，MIT许可证，完全免费，无付费版本。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型continual-learning,decision-making,fine-tuning,imitation-learning,large-language-models,lora,multi-objective-optimization,offline-reinforcement-learning,parameter-efficient-fine-tuning,pretrained-models,reinforcement-learning,robotics,transfer-learning

GitHub 星标★ 66

30天Star增速

HF 下载量

上线时间2025-01-22 00:00:00

最近更新2026-08-23 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数5

使用教程

核心亮点

提出参数空间技能组合的新范式，区别于传统行为或策略层面的组合，更具理论基础。
支持技能的增量式扩展，有助于缓解灾难性遗忘，提升智能体的持续学习能力。
框架设计灵活，可适配多种强化学习或模仿学习算法，便于集成到现有流程。

不足之处

项目处于早期阶段（65星），文档和社区支持尚不完善，上手可能需要阅读论文。
参数空间操作的实现复杂度较高，对计算资源和工程能力有一定要求。

适用场景

多任务强化学习：让智能体在多个相关任务间迁移技能，提升学习效率。
机器人技能库管理：将不同操作技能编码为参数模块，按需组合完成复杂任务。
游戏AI持续进化：在游戏更新或新关卡中，快速扩展AI能力而不丢失旧技能。

替代项目

Progressive Neural Networks、PathNet、Soft Modularization

项目介绍

PSEC 是模型训练领域的开源项目，由 ltlhuuu 开发，2025 年首次发布。

它收录于模型训练分类，该分类目前共有 522 个项目，GitHub 星标数为 66。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-08-23。MIT许可证，完全免费，无付费版本。

它主要面向的使用场景是：多任务强化学习：让智能体在多个相关任务间迁移技能，提升学习效率。同类可对比的替代方案包括 Progressive Neural Networks、PathNet、Soft Modularization。

上一篇：SimPO

下一篇：codebase-for-incremental-learning-with-llm