技术摘要：动态智能体技能：演进式技能库的生命周期综述与分类法

问题陈述

大语言模型（LLM）智能体正在从基于对话的辅助转向涉及网页浏览、软件工程和特定领域任务的操作性工作流。在这些场景中，主要的瓶颈不在于模型处理单一任务的推理能力，而在于其在重复任务、工具和用户之间复用程序化知识的能力。虽然早期的系统将“技能”视为静态的提示词片段或固定的工具集合，但近期的文献（2023–2026）已转向动态技能库：即随着智能体积累证据而不断演进的外部、可编辑的制品库。

该领域目前缺乏统一的术语表和评估标准。“技能”一词存在语义过载，它指的是结构迥异的制品，范围涵盖了可执行代码、自然语言（NL）启发式方法、参数适配器以及记忆轨迹。此外，大多数基准测试仅报告最终任务的成功率，掩盖了关键的生命周期现象，例如技能膨胀、随着库规模增长导致的检索性能退化，以及技能使用量与实际效用之间的差距。本文旨在解决将技能库视为学习系统的需求，而非静态仓库，其中制品库本身（$L_t$）会通过证据驱动的更新而发生演变（$L_t \to L_{t+1}$）。

研究方法

作者对 2023 年至 2026 年 5 月 31 日期间发表的 124 篇论文进行了系统性审计。该语料库包括方法论论文、基准测试、基础设施研究和安全性分析。审查协议排除了经典的选项发现（option discovery）和通用的工具使用论文，除非这些论文产生了外部可调用的技能制品或对其生命周期进行了评估。

本综述围绕三个主要分析工具构建：

1. 六感分类法（Six-Sense Taxonomy）： 区分“技能”的不同结构形式（表 1）。
2. 生命周期架构（Lifecycle Architecture）： 一个关于动态系统如何管理制品的八阶段框架。
3. 轻量级符号系统（Lightweight Notation）： 一种技能记录模式和一套包含十个算子的词汇表，用于标准化比较库的更新。

技能的“六感”

本文根据五种动态属性（可执行性、可编辑性、可移植性、可检查性和验证句柄）将技能分为六种不同的感知类型：

• 可执行代码： 程序或契约（例如 Voyager, LATM, SAGE）。
• 自然语言启发式方法： 程序化教训或批判（例如 ERL, RetroAgent）。
• SKILL.md 包： 包含元数据、指令和代码的渐进式披露目录（例如 MetaClaw, Trace2Skill）。
• 参数化技能： 权重增量或适配器（例如 SkillsCrafter, SKILL0）。
• 记忆/轨迹： 具有可调用接口的历时性轨迹（例如 SimpleMem）。
• 能力标签： 声明式角色（边界情况）。

生命周期架构

本文提出了一个由八个循环阶段组成的动态技能系统参考架构：

1. 证据获取： 收集轨迹、奖励或失败轨迹。
2. 提议： 将证据转化为候选制品或编辑。
3. 验证与准入： 决定候选对象是否进入库中（关键的选择机制）。
4. 组织与存储： 将制品分配到扁平索引、层级结构或图结构中。
5. 检索与组合： 为未来的行动选择技能。
6. 维护与修复： 修剪、合并或精炼制品以防止性能退化。
7. 蒸馏与可移植性： 在外部制品与模型权重之间迁移知识。
8. 治理与溯源： 审计谱系、作者身份及回滚能力。

符号与算子

作者引入了一个技能记录模式 $S_t = \langle C_t, \pi_t, T_t, R_t, \phi_t, \nu_t, \prec_t \rangle$，其中 $\phi_t$ 代表编辑算子，$\nu_t$ 为验证句柄，$\prec_t$ 为谱系关系。库的转换由从十元素词汇表中提取的算子向量 $\vec{u}_t$ 定义：添加 (Add)、精炼 (Refine)、合并 (Merge)、拆分 (Split)、修剪 (Prune)、蒸馏 (Distill)、抽象 (Abstract)、组合 (Compose)、重写 (Rewrite) 以及 重排序 (Rerank)。

核心贡献

1. 概念澄清： 六感分类法通过将多样化的“技能”实现映射到其结构属性和动态能力，解决了歧义问题。
2. 生命周期框架： 本文将动态技能重新定义为可编辑的学习系统制品，提供了一个统一的架构，用于比较在不同生命周期阶段侧重点不同的系统。
3. 标准化词汇： 十个算子的词汇表允许对更新机制进行精确比较，而不必将特定的方法提升为独立的贡献。
4. 证据分级模式： 综述合成了七种由不同证据强度（从消融实验到架构验证）支持的重复模式。
5. 安全性与治理分析： 本文识别了动态技能库特有的八个安全表面，将安全性视为生命周期的一个阶段，而非事后过滤器。

关键发现与证据分级模式

综述总结了七种模式，并按证据强度（A–D）进行分级：

1. 准入闸门至关重要 (Grade A/B)： 经过验证（如执行测试、Judge-LLM 准则）的精选技能明显优于未经验证的自生成技能。接受任何提议的库会遭受冗余和漂移的影响。
2. 强化学习中的验证器质量 (Grade B)： 在具备技能意识的强化学习中，验证器或奖励塑造信号的质量往往比 RL 算法本身更为关键。
3. 扁平检索退化 (Grade B/C)： 扁平检索性能在库规模达到中等程度（约 64–128 个技能）时会急剧下降，原因是信噪比崩溃。层级或基于图的存储可以缓解但无法消除这一问题。
4. 较弱骨干模型的收益 (Grade C)： 较弱的基础模型通常能从动态技能中获得更大的相对收益，但这取决于库的内容和路由的可靠性。
5. 专注型库 (Grade B/C)： 针对窄任务分布进行策划的库通常优于综合性库，因为专注型库减少了干扰负载。
6. 维护是承重环节 (Grade B)： 在中大规模下，拥有负向算子（修剪、合并）的系统优于单调增长的系统。维护成本会随时间摊薄，但在短期内可能并不划算。
7. 编写时抽象 (Grade B/C)： 在技能编写阶段（编写时）进行的抽象和蒸馏，通常比仅在读取时进行总结的效果更好。

安全性与治理

本文强调动态技能引入了“软件供应链”问题。关键的安全表面包括：

• 提示词注入： 嵌入在技能文档或代码中的恶意指令。
• 供应链投毒： 公共注册表中的漏洞（一项研究显示 26.1% 的技能包含漏洞）。
• 凭据泄露： 通过文本、代码和标准输出（stdout）交互暴露的机密信息。
• 归因丢失： 在合并或拆分后，无法追踪哪个制品导致了某项决策。
  作者认为，防御性部署需要具备准入时扫描、基于请求条件的调用审计以及算子粒度的溯源日志等原语。

意义与局限性

意义：
本文声称提供了首个将技能库视为演进式学习对象而非静态提示词集合的统一框架。通过建立共同语言（分类法、算子、生命周期阶段），它实现了对异构系统的比较，并识别了当前研究中的特定空白，特别是在维护、安全性和基准测试真实性方面。文章指出，领域必须从“技能使用”指标转向“技能效用”和“库轨迹”指标。

局限性：
作者明确指出了几点局限性：

• 非穷尽性语料库： 综述依赖于滚雪球搜索和 arXiv 搜索；可能会遗漏未发表的系统或非英语论文。
• 异质性证据： 比较是架构层面的而非因果性的；由于骨干模型、上下文和评估器的差异，无法进行效应量聚合。
• 未解决的扩展性问题： 虽然层级结构和图结构可以延迟检索退化，但本文并未声称解决了扩展到市场规模（10,000+ 技能）的问题。
• 适度主张： 综述并非提出一种新算法或单一的最佳验证器，而是组织现有的设计模式以指导未来研究。

开放问题

论文最后提出了八个开放问题，包括：

1. 针对代码技能的组合验证器。
2. 非平稳任务分布下的准入机制。
3. 基于成本模型的原则性维护计划。
4. 防止重复蒸馏下的参数坍缩。
5. 超越中等规模库的检索扩展。
6. 跨库技能的可移植性与兼容性建模。
7. 集成的治理、溯源与归因系统。
8. 能够诚实报告库轨迹以及“使用 vs 效用”差距的基准测试。

作者强调，未来的进步需要社区在基础设施、治理和轨迹感知基准测试方面进行协同，而非孤立的算法改进。