🤖 AI

Anything2Skill: Compiling External Knowledge into Reusable Skills for Agents

该论文提出了 Anything2Skill，这是一个将异构外部知识编译为存储在技能库（SkillBank）中可复用的结构化程序化技能的框架，通过将声明式证据与可执行的领域专业知识相结合，使智能体能够实现比标准 RAG 方法显著更高的成功率。

原作者： Qianjun Pan, Yutao Yang, Junsong Li, Jie Zhou, Kai Chen, Xin Li, Qin Chen, Liang He

发布于 2026-06-09

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Qianjun Pan, Yutao Yang, Junsong Li, Jie Zhou, Kai Chen, Xin Li, Qin Chen, Liang He

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

想象一下，你有一个才华横溢但缺乏经验的助手（一个 AI 智能体），他非常擅长阅读书籍和寻找事实。当你要求他修理一台复杂的机器时，他可以迅速找到手册，阅读零件清单，并告诉你这台机器是由什么组成的。这就是当前 AI 系统的工作方式，这种方法被称为 RAG（检索增强生成）。他们擅长寻找“陈述性证据”——即事实和描述。

但问题在于：手册会告诉助手什么是螺丝刀，但并不总是能清晰地说明如何使用它来修复特定的损坏齿轮以及正确的先后顺序。助手必须阅读手册，猜测步骤，尝试修理，失败，再次阅读手册，再次猜测。这就像仅仅通过阅读一份食材清单和描述，而从未见过食谱或厨师烹饪的过程，就试图学习如何烹饪一道复杂的菜肴。

ANYTHING2SKILL 是一个旨在解决这一问题的全新系统。你可以将其视为一个 “技能编译器” 或 “食谱创建器”。

核心思想：将手册转化为食谱

ANYTHING2SKILL 不仅仅是让 AI 在每次面对任务时去阅读原始的手册、日志和文档，而是将所有这些杂乱的信息编译成可重用的“技能”。

以下是它的工作原理，使用一个简单的类比：

原材料（知识库）： 想象一个巨大的图书馆，里面充满了散乱的笔记、旧的维修日志、聊天记录和官方手册。现在，AI 每次需要做某事时都必须搜索这个图书馆。
厨师的准备工作（提取）： ANYTHING2SKILL 扮演着一位大师级厨师的角色，阅读所有这些散乱的笔记。它不仅仅是做摘要；它在寻找程序（procedures）。它会问：“执行此操作的具体步骤是什么？需要哪些工具？应该避免哪些错误？”
技能树（组织）： 系统将这些程序组织成一个结构化的“技能树”。这就像是任务的家族谱系。
- 宏观协议（Macro-protocols）： 大局观策略（例如，“如何管理一个软件项目”）。
- 微观技能（Micro-skills）： 特定的、微小的动作（例如，“如何运行这条特定的命令来删除一个文件”）。
- 安全规则（Safety Rules）： 警告（例如，“如果发生 Y 情况，绝不要做 X”）。
技能库（SkillBank，可重用库）： 一旦“食谱”写好，它们就会被存储在一个永久且有组织的 SkillBank 中。这不仅仅是一堆文档；它是一个可执行指令的数据库。每个“技能”都有一个契约，规定：“如果你看到情况 X，执行步骤 A、B 和 C，但要避开 D。”

它如何帮助 AI 智能体

当 AI 智能体面临新任务时，它现在拥有两个协同工作的超能力：

能力 1：图书管理员（RAG）： 它仍然搜索原始图书馆以查找特定事实或最新的更新（即“是什么”）。
能力 2：经验丰富的导师（SkillBank）： 它从 SkillBank 中提取一个预制好的“技能”。这个技能会根据以往成功经验，一步步告诉智能体“如何做”这项任务。

结果：
论文在两个现实世界的任务上测试了这一点：管理 CSV 数据文件 (qsv) 和管理 GitHub 仓库 (GitHub-CLI)。

没有 ANYTHING2SKILL 时： AI 就像一个第一次读手册的聪明学生。它大约完成了 65–82% 的任务。
有了 ANYTHING2SKILL 后： AI 拥有了“编译好的食谱”。它完成了大约 82–92% 的任务。
两者兼具时： AI 既拥有事实，又拥有食谱。它在 CSV 任务中达到了 98.85% 的成功率，在 GitHub 任务中达到了 94.10% 的成功率。

核心启示

该论文声称，我们不应仅仅将外部知识视为一堆待阅读的事实。我们应该将其视为可以被提取、组织并转化为可重用“技能”的隐藏程序之源。

通过将这些潜在程序编译进 SkillBank，我们正推动 AI 智能体从单纯的“获取知识”（阅读手册）转向“重用能力”（明确知道如何胜任这份工作）。这是给某人一本字典与给某人一份针对其可能需要的每种工作的、组织良好的说明书之间的区别。

技术摘要：ANYTHING2SKILL

问题陈述

检索增强生成（RAG）使智能体能够在推理时访问外部知识，但它主要检索的是碎片化的陈述性证据（例如段落、手册、日志）。因此，智能体必须在运行时反复从这些碎片中重建任务流程。这种局限性在对成功率有严格要求的智能体场景中至关重要，因为成功不仅取决于检索事实，还取决于遵循特定的程序：确定何时调用工具、执行正确的动作序列、满足约束条件以及避免失败情况。现有的基于技能的智能体通常依赖于手动指定的技能、通过环境交互学习到的技能或在解决任务期间生成的代码，未能利用已嵌入在异构外部知识库中的大量潜在程序性知识。

方法论

本文提出了 ANYTHING2SKILL，一个由分类法引导的框架，旨在将异构外部知识编译为可重用、可检索且可执行的技能。该框架通过提取、管理和推理增强的流水线进行运作。

1. 基于技能树先验的技能提取

给定一组知识记录集合 $K$ （文档、对话、日志、轨迹），系统将记录分解为严格的证据窗口。它在技能树先验下采用**计划与扩展（plan-and-expand）**的提取策略：

分类法先验： 技能分类法 $\mathcal{T}$ 定义了稳定的资产类型（例如 macro_protocol、session_skill、micro_skill、safety_rule）和层级结构。这约束了提取过程向程序化能力而非自由形式摘要的方向发展。
计划与扩展： 一个基于 LLM 的规划器首先从证据窗口中识别出不同的技能候选对象。随后的扩展阶段将这些候选对象转换为结构化的技能草案。
程序有效性： 对候选对象进行过滤，以确保其包含程序化组件（工作流步骤、动作移动、约束条件），并且可以映射到分类法中。
输出： 提取的草案被转换为结构化的技能契约（skill contracts），明确规定了调用条件、禁忌事项、动作移动、工作流步骤、约束条件、输出规范、支持性证据以及置信度分数。

2. 在 SkillBank 中的技能管理

为了将本地草案转化为可部署的 SkillBank ( $\mathcal{B}$ )，系统执行三个管理步骤：

文档级编译： 描述重叠能力的草案通过一个感知分类法的身份键（identity key）进行分组。编译器为每个组生成一个规范的技能规范，该规范受限于保留资产类型和分类节点，并仅引用受支持的证据。
注册级协调： 进入的技能通过混合检索（稠密相似度、稀疏词汇匹配和分类法兼容性）与持久化的 SkillBank 进行协调。管理模型预测生命周期动作：CREATE（创建）、STRENGTHEN（强化）、REVISE（修订）、MERGE（合并）、SPLIT（拆分）、UNCHANGED（未变） 或 DISCARD（丢弃）。这确保了版本控制、冲突解决，并防止合并不兼容的技能层（例如，将安全规则合并到微观技能中）。
可见技能树投影： 活跃技能根据分类法组织成一个可见的层级结构。系统执行同级整合以减少导航冗余，并根据生命周期状态和溯源覆盖范围选择主要技能。

3. 技能增强检索

在推理时，智能体使用双重检索机制：

陈述性证据： 通过标准的 RAG 从原始知识库 ( $C_q$ ) 中检索特定任务的段落。
程序性指导： 从 SkillBank ( $S_q$ ) 中检索相关的已编译技能。
智能体在同时基于这两个来源的条件下解决任务，允许 RAG 提供事实依据，而 SkillBank 提供可重用的程序性记忆。

核心贡献

框架提案： 引入了 ANYTHING2SKILL，它通过将异构记录编译为结构化、有证据支撑的技能，将检索增强型智能体从简单的知识访问扩展到了可重用的能力获取。
实现流水线： 一个完整的技能编译与管理流水线，包括证据窗口构建、分类法先验下的计划与扩展提取、结构化契约生成、分类法感知的整合、注册级协调、生命周期追踪以及版本化更新。
实证验证： 证明了通过编译 SkillBank 来增强 RAG 智能体，能显著提高在命令行基准测试上的任务成功率，优于仅 RAG 和仅技能的基准线。

实验结果

该框架在两个命令行智能体基准测试上进行了评估：qsv（CSV 操作）和 GitHub-CLI（仓库管理）。

基准线（Baselines）： 基础智能体（无外部上下文）在 qsv 上达到 81.60%，在 GitHub-CLI 上达到 64.70% 的成功率。
仅 RAG（RAG Only）： 将成功率提升至 qsv 的 95.41% 和 GitHub-CLI 的 76.50%。
仅 ANYTHING2SKILL： 在 qsv 上达到 91.95%，在 GitHub-CLI 上达到 82.30%，证明了即使没有任务时的文档检索，编译后的技能也能提供可重用的程序性知识。
ANYTHING2SKILL + RAG： 取得了最高性能，在 qsv 上达到 98.85%，在 GitHub-CLI 上达到 94.10%。

结果表明，虽然 RAG 提供了必要的陈述性事实，但编译后的技能提供了互补的程序性指导（调用条件、动作序列、约束条件），这显著减轻了运行时重建程序的负担。这种改进在 GitHub-CLI 上尤为明显，因为复杂的流程更受益于预编译的程序化结构。

重要性与主张

本文主张，将潜在的程序性知识编译为显式的、可重用的技能，是扩展检索增强型智能体的有效方法。作者认为，智能体不应仅仅检索外部文档作为陈述性证据，还应当组织和重用蕴含在这些知识中的程序化能力。通过将文档、手册和日志转化为持久的 SkillBank，ANYTHING2SKILL 使智能体能够从知识访问转向能力重用，从而弥合了检索增强生成与基于技能的能力重用之间的差距。