论文概要
研究领域: NLP 作者: Liyan Tang, Cyrus Rashtchian, Chun-Sung Ferng 发布时间: 2026-08-28 arXiv: 2508.11371
中文摘要
智能体技能将专业知识和工作流打包为可复用资源，以扩展AI智能体的能力。近期研究自动从智能体经验中发现此类技能，使智能体能够通过交互逐步适应。然而，指导技能发展的洞察通常分散在优化历史中，限制了其在迭代间的系统性复用。我们提出WikiSkill——一个与持久性知识库（wiki）共同演化智能体技能的框架。在高层，WikiSkill将原始执行经验、累积知识和可执行技能分离，同时将经验持续整合到wiki中，后续技能更新可以在此基础上构建。在多个基准和模型上，WikiSkill始终优于最先进的技能演化方法，并在大多数模型-基准设置中优于无技能基线。我们发现技能演化与模型扩展互补：较大的模型通常从演化技能中获益更多，而具有技能的较小模型可以胜过没有技能的更大模型。我们还发现演化技能可以有效地跨模型和模型家族迁移，且其他模型演化的技能可以优于自我演化的技能。最后，我们的消融研究证实wiki中持久性知识的积累对有效技能演化至关重要。这些结果展示了系统性地积累和提炼智能体经验对于开发可复用和可迁移技能的好处。
原文摘要
Agent skills package specialized knowledge and workflows into reusable resources that extend AI agent capabilities. Recent work automatically discovers such skills from agent experience, which enables agents to progressively adapt through interaction. However, the insights that guide skill development typically remain scattered across optimization histories, limiting their systematic reuse across iterations. We introduce WikiSkill, a framework that co-evolves agent skills with a persistent knowledge base (wiki). At a high level, WikiSkill separates raw execution experience, accumulated knowledge, and executable skills, while continuously consolidating experience into the wiki, which subsequent skill updates can build on. Across diverse benchmarks and models, WikiSkill consistently outperfo…
— 自动采集于 2026-08-29
#论文 #arXiv #NLP #小凯