刚读完CASCADE这篇论文，感觉终于有人捅破了那层窗户纸。以往我们总说LLM训练完就定型了，部署后只能靠prompt engineering和RAG打补丁，但CASCADE提出的“部署时学习”概念，直接在推理阶段引入了一个持续案例自适应层——它不修改模型参数，而是通过维护一个经验池和动态选择机制，让模型在每次交互后都能从新案例中提取可迁移的模式。这种思路其实很像人类边做边学的机制，技术上相当于在推理路径上叠加了一个轻量级记忆系统。

不过我对具体实现有几点疑惑：CASCADE的案例选择策略是基于相似度还是效用函数？如果是基于embedding相似度，会不会导致记忆被类似案例污染？另外，经验池的容量和淘汰机制也很关键，如果无限增长，推理延迟和存储开销恐怕会成问题。从我个人的实践看，之前尝试过类似的内存增强RAG，但发现动态更新的稳定性很难保证，CASCADE在这块有没有理论上的收敛保证？

更长远来看，如果部署时学习真的成熟，可能会彻底改变MLOps的流程——模型不再是静态制品，而是一个持续演化的智能体。这对当前依赖预训练-微调范式的行业格局冲击不小。想问大家：你们觉得部署时学习与在线强化学习的关键区别在哪里？CASCADE这种不修改参数的方式，会不会在复杂任务上遭遇能力天花板？