🤖 AI

EvoSkill: Automated Skill Discovery for Multi-Agent Systems

本文提出了 EvoSkill，一种通过迭代失败分析自动发现并优化可复用代理技能（而非底层提示或代码）的自进化框架，该框架在冻结底层模型的前提下，显著提升了代理在特定任务上的表现并展现出跨任务的零样本迁移能力。

原作者： Salaheddin Alzubi, Noah Provenzano, Jaydon Bingham, Weiyuan Chen, Tu Vu

发布于 2026-03-04

📖 1 分钟阅读☕ 轻松阅读

原作者： Salaheddin Alzubi, Noah Provenzano, Jaydon Bingham, Weiyuan Chen, Tu Vu

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一个名为 EvoSkill 的新系统。为了让你轻松理解，我们可以把人工智能（AI）想象成一个刚毕业的超级实习生，而 EvoSkill 就是他的**“自动技能进化教练”**。

1. 核心问题：聪明的实习生，但缺乏“行业经验”

现在的 AI 编程助手（比如 Claude Code）非常聪明，就像那个记忆力超群、学什么都快的实习生。

它的强项：能写代码、能查资料、能处理各种通用任务。
它的弱点：它没有特定领域的“老练经验”。比如，让它去分析美国财政部的复杂表格，或者在混乱的互联网搜索结果中找真相，它可能会因为不懂“行规”或“避坑指南”而犯错。

以前的做法是：人类专家手把手教它，或者人工给它写一堆“操作手册”（这叫手工制作的技能）。但这太慢了，而且一旦换个任务，之前的经验可能就不管用了。

2. EvoSkill 的解决方案：让 AI 自己“从失败中进化”

EvoSkill 就像一个不知疲倦的教练，它不直接教 AI 怎么做，而是通过**“试错 - 复盘 - 升级”**的循环，让 AI 自己长本事。

它的运作流程（就像打游戏升级）：

实战演练（Executor）：
AI 实习生开始做题。比如，它需要计算美国财政部的数据增长率。
发现错误（Failure Analysis）：
如果 AI 算错了（比如看错了表格里的数字，或者在搜索时太早放弃了），教练会立刻叫停。
诊断与提案（Proposer）：
教练（一个专门的 AI 角色）会分析：“为什么错了？哦，原来是因为它没有‘仔细核对相邻单元格’的习惯，或者‘没有搜索三个以上来源’。”
于是，教练写下一张**“新技能卡”**（比如：“数据提取验证协议”或“搜索坚持协议”）。
制作技能包（Skill-Builder）：
另一个 AI 角色把这张“技能卡”变成具体的文件夹。里面包含：
- 说明书 (SKILL.md)：告诉 AI 什么时候用这个技能，具体步骤是什么。
- 小工具 (Scripts)：如果有需要，还附带一些现成的代码脚本。
- 触发器：设定好条件，比如“只要看到财政部表格，就自动激活这个技能”。
优胜劣汰（Pareto Frontier）：
系统会测试这个新技能包。
- 如果用了新技能，AI 做对了，这个技能就被保留下来，成为 AI 永久记忆的一部分。
- 如果没效果，或者让 AI 变笨了，这个技能就被丢弃。
- 系统只保留那些真正让 AI 变强的“技能组合”。

3. 生动的比喻：从“死记硬背”到“肌肉记忆”

以前的方法：就像给实习生一本厚厚的《操作手册》，让他死记硬背。每次遇到新问题，他都要翻书，而且书里的内容可能过时了。
EvoSkill 的方法：就像练武术。
- 实习生打了一拳，打歪了（失败了）。
- 教练说：“你出拳时手肘太高了，下次注意。”
- 实习生调整姿势，形成了一种肌肉记忆（这就是 EvoSkill 生成的“技能”）。
- 下次再遇到类似情况，他不需要翻书，身体会自动做出正确的反应。

4. 惊人的成果：不仅变强，还能“举一反三”

论文在两个不同的领域测试了这个系统：

OfficeQA（办公室问答）：
- 任务：从美国财政部的复杂文档和表格中找数据。
- 结果：AI 的准确率从 60.6% 提升到了 67.9%。
- 学到的技能：比如“数据提取验证”，教 AI 如何像会计一样，反复核对表格里的数字，防止看错行。
SealQA（搜索问答）：
- 任务：在互联网上搜索信息，但网上充满了错误和噪音。
- 结果：准确率从 26.6% 飙升到 38.7%（提升巨大！）。
- 学到的技能：比如“搜索坚持协议”，教 AI 不要搜到第一个结果就停，而是要像侦探一样，至少找三个来源互相验证，直到找到真相。

最酷的一点（零样本迁移）：
研究人员把在“搜索任务”中学到的**“搜索坚持协议”**，直接拿过来用在另一个完全没见过的任务（BrowseComp，浏览网页找答案）上。

结果：AI 甚至不需要重新学习，准确率直接提升了 5.3%。
这意味着：EvoSkill 教给 AI 的不是死板的“答案”，而是通用的“思维习惯”。就像你学会了“如何仔细核对”这个习惯，无论是做数学题还是查资料，都能派上用场。

5. 总结

EvoSkill 的核心思想是：
不要试图把 AI 变成一个全知全能的“神”，而是给它一套自动进化的“工具箱”。
通过不断的失败和复盘，AI 自己发现：“哦，原来我在这个地方容易犯错，我需要加一个‘检查步骤’。”
最终，这些步骤变成了结构化的技能包，让 AI 从一个“聪明的新手”，进化成一个“经验丰富的专家”，而且这些经验还能灵活地用到新的工作中。

这就好比给 AI 装上了**“自我进化的大脑皮层”**，让它越用越聪明，越用越专业。

EvoSkill：面向多智能体系统的自动化技能发现技术总结

1. 研究背景与问题 (Problem)

随着编程智能体（Coding Agents，如 Claude Code, OpenHands 等）的普及，它们已成为解决跨领域任务的通用工具。然而，现有的智能体虽然具备调用复杂抽象和工具的灵活性，但缺乏执行特定领域任务所需的深度专业知识。

当前的解决方案主要依赖人工构建的“智能体技能”（Agent Skills），即可复用的工作流、指令和代码。这种方法存在以下局限性：

手工构建成本高：需要深厚的领域知识和大量手动劳动，难以随任务数量增长而扩展。
现有进化方法的局限性：现有的进化方法（如 AlphaEvolve, GEPA）通常直接优化低层级的“工件”（如提示词 Prompt 或代码片段）。这些优化结果往往与特定的模型配置和任务紧密耦合，缺乏可复用性，难以在不同任务或设置间迁移。

核心问题：如何自动发现并优化高层次的、可复用的、可迁移的智能体技能，而不是仅仅微调底层的提示词或代码？

2. 方法论 (Methodology)

论文提出了 EvoSkill，一个通过迭代失败分析自动发现和精炼智能体技能的自进化框架。EvoSkill 的核心在于在“技能抽象层级”进行操作，而非直接优化提示词或代码。

2.1 核心架构

EvoSkill 包含三个协同工作的智能体：

执行智能体 (Executor Agent, A)：在当前程序（包含系统提示词和累积的技能）的治理下执行任务。
提议智能体 (Proposer Agent, P)：
- 分析执行轨迹、预测答案和真实答案（Ground Truth）。
- 诊断失败原因（根因分析）。
- 提出高层级的技能描述：是创建新技能，还是修改现有技能。
- 注：真实答案仅用于诊断，不会泄露给生成的技能本身。
技能构建智能体 (Skill-Builder Agent, S)：
- 将提议智能体的高层描述转化为具体的结构化技能文件夹。
- 技能文件夹包含：触发元数据、过程性指令（SKILL.md）以及可选的辅助脚本（Python/TypeScript）。
- 该智能体被一个“元技能”（Meta-skill）引导，遵循最佳实践。

2.2 进化循环 (EvoSkill Loop)

框架通过迭代循环优化智能体程序，维护一个帕累托前沿（Pareto Frontier），即保留表现最好的 $k$ 个程序：

选择父程序：从前线 $G$ 中通过轮询（Round-robin）选择一个父程序。
收集失败案例：在训练集上运行，收集得分低于阈值的失败样本集 $F$ 。
提议与构建：
- 提议智能体分析 $F$ 和历史反馈 $H$ ，提出技能修改方案 $\pi$ 。
- 构建智能体将 $\pi$ 转化为候选程序 $\tilde{p}$ （在父程序基础上添加/修改技能）。
评估与更新：
- 在保留的验证集上评估候选程序。
- 如果候选程序得分高于前线中最弱的成员，则替换该成员进入前线。
- 无论是否入选，提议及其结果都会记录到反馈历史 $H$ 中，以防止重复错误并丰富上下文。
模型冻结：整个过程中，底层的基座模型（Base Model）保持冻结，仅进化技能库和元数据。

2.3 技能表示

技能被组织为文件系统中的目录，包含 SKILL.md（指令和触发条件）和辅助脚本。这种结构支持渐进式披露（Progressive Disclosure）：元数据在启动时加载，指令按需读取，脚本在上下文窗口外执行，从而最小化上下文开销。

3. 主要贡献 (Key Contributions)

提出 EvoSkill 框架：首个在“技能抽象层级”而非低层工件（提示词/代码）上进行迭代失败分析和自动优化的框架。
显著的性能提升：在两个截然不同的基准测试中，仅使用少量训练数据（小样本）就实现了显著的性能提升。
零样本迁移能力证明：证明了 EvoSkill 发现的技能具有高度的可迁移性。在一个任务（SealQA）上进化出的技能，无需任何修改即可直接应用于另一个完全不同的任务（BrowseComp），并提升了性能。

4. 实验结果 (Results)

研究在两个基准测试上进行了评估：

4.1 OfficeQA (基于美国财政部数据的 grounded reasoning)

任务：从复杂的财政部公报中提取数据并进行定量推理。
基线：Claude Code (Opus 4.5) 的精确匹配准确率为 60.6%。
结果：
- 使用 10% 的训练数据，准确率提升至 65.8% (+5.2%)。
- 通过合并独立运行中发现的独特技能（Skill-merge），最终准确率达到 67.9% (+7.3% 提升)。
发现技能示例：
- 数据提取验证：强制协议，防止从表格中读取错误单元格或混淆相似指标。
- 定量分析方法论：强制执行验证检查点，防止数据转换和日期对齐错误。

4.2 SealQA (带噪声检索的搜索增强问答)

任务：在搜索结果冲突、噪声大或无用的情况下寻找事实。
基线：准确率 26.6%。
结果：EvoSkill 将准确率提升至 38.7% (+12.1% 提升)。
发现技能示例：
- 搜索持久性协议 (Search-persistence-protocol)：强制在得出结论前进行彻底的搜索策略，包括术语解释扩展、多源验证（至少 3 个来源）和完整性检查，防止过早终止搜索。

4.3 零样本迁移 (Zero-Shot Transfer)

实验：将在 SealQA 上进化出的“搜索持久性协议”技能，直接应用于 BrowseComp 基准（另一个事实搜索任务），未做任何修改。
结果：准确率从 43.5% 提升至 48.8% (+5.3% 提升)。
意义：直接证明了 EvoSkill 发现的技能捕捉到了通用的能力（如彻底搜索），而非过拟合特定任务，具有跨任务的泛化能力。

5. 意义与展望 (Significance)

范式转变：EvoSkill 将智能体优化的重点从“提示工程”或“代码微调”转移到了“技能工程”。技能作为结构化、可解释、可组合的模块，比提示词更易于迁移和复用。
自动化与可扩展性：解决了手工构建技能难以扩展的瓶颈，使得智能体能够随着任务失败的分析自动积累领域知识。
通用能力涌现：实验表明，通过技能层级的优化，智能体可以习得跨领域的通用能力（如“搜索持久性”、“数据验证”），这为构建更通用、更强大的多智能体系统提供了新路径。
未来方向：论文建议进一步探索多模态任务中的技能协调、构建共享技能库，以及在不同模型和智能体框架间的技能迁移性。

总结：EvoSkill 通过模拟人类专家“从失败中学习并构建工具”的过程，成功实现了智能体技能的自动化进化。它不仅显著提升了特定任务的性能，更重要的是证明了结构化技能是连接特定任务优化与通用智能迁移的关键桥梁。