نقدّم إطارًا متكاملًا يُعرف بـ "مجموعة من الحيل" (bag of tricks) لتعلم التصنيف التدريجي القليل العينات (FSCIL)، وهو شكلٌ صعب من تعلم التدريج المستمر، يتضمّن التكيّف المستمر مع مهام جديدة باستخدام عينات محدودة. يتطلّب FSCIL توازنًا بين الاستقرار والقدرة على التكيّف، أي الحفاظ على الكفاءة في المهام المُدرّسة سابقًا مع التعلّم الفعّال للمهام الجديدة. يُجمِع الإطار المقترح ستّ تقنيات رئيسية ومؤثرة للغاية، تُحسّن الاستقرار، والقدرة على التكيّف، والأداء العام، ضمن إطار موحد لمشكلة FSCIL. نصنّف هذه التقنيات إلى ثلاث فئات: الحيل الخاصة بالاستقرار، والحوائل الخاصة بالقدرة على التكيّف، والحيل الخاصة بالتدريب. تهدف الحيل الخاصة بالاستقرار إلى تقليل نسيان الفئات المُدرّسة سابقًا من خلال تعزيز الفصل بين تمثيلات الفئات المُدرّسة، وتقليل التداخل عند تعلّم فئات جديدة. أما الحيل الخاصة بالقدرة على التكيّف، فهي تركز على تعلّم فئات جديدة بكفاءة عالية. وأخيرًا، تحسّن الحيل الخاصة بالتدريب الأداء العام دون التضحية بالاستقرار أو القدرة على التكيّف. قمنا بإجراء تجارب واسعة على ثلاث مجموعات بيانات معيارية: CIFAR-100 وCUB-200 وminiImageNet، لتقييم تأثير الإطار المقترح. تُظهر تحليلاتنا المفصلة أن منهجنا يُحسّن بشكل كبير كلاً من الاستقرار والقدرة على التكيّف، ويُحدّد حالة جديدة من الريادة (state-of-the-art) من خلال تفوقه على الدراسات السابقة في هذا المجال. نؤمن أن منهجنا يُقدّم حلًا مثاليًا ويُشكّل قاعدة متينة لبحوث المستقبل في هذا المجال.