论文页面 - SkillNet: 创建、评估与连接AI技能

来源：https://huggingface.co/papers/2603.04448 发布于2月26日

#1 每日论文 (https://huggingface.co/papers/date/2026-03-06) 作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

SkillNet 提出了一种开放基础设施，通过统一本体系统地积累和迁移AI技能，显著提升智能体在多个领域的性能。当前的AI智能体 (https://huggingface.co/papers?q=AI%20agents) 可以灵活调用工具并执行复杂任务，但其长期进步 (https://huggingface.co/papers?q=long-term%20advancement) 受到缺乏系统性技能积累和迁移的阻碍。如果没有统一机制 (https://huggingface.co/papers?q=unified%20mechanism) 来进行技能整合 (https://huggingface.co/papers?q=skill%20consolidation)，智能体常常“重新发明轮子”，在孤立情境中重新发现解决方案，而无法利用先前策略。为克服这一局限，我们引入了 SkillNet，一个旨在大规模创建、评估和组织AI技能的开放基础设施。SkillNet 在一个统一本体 (https://huggingface.co/papers?q=ontology) 内构建技能，支持从异构来源创建技能、建立丰富的关联关系，并跨安全性、完整性、可执行性、可维护性和成本意识进行多维度评估 (https://huggingface.co/papers?q=multi-dimensional%20evaluation)。我们的基础设施集成了包含超过200,000个技能的仓库、一个交互平台以及一个多功能的Python工具包。在 ALFWorld (https://huggingface.co/papers?q=ALFWorld)、WebShop (https://huggingface.co/papers?q=WebShop) 和 ScienceWorld (https://huggingface.co/papers?q=ScienceWorld) 上的实验评估表明，SkillNet 显著提升了智能体性能 (https://huggingface.co/papers?q=agent%20performance)，在多个骨干模型上将平均奖励提高了40%，并将执行步骤 (https://huggingface.co/papers?q=execution%20steps) 减少了30%。通过将技能形式化为可演化、可组合的资产，SkillNet 为智能体从短暂经验走向持久精通奠定了坚实基础。

查看arXiv页面 (https://arxiv.org/abs/2603.04448) 查看PDF (https://arxiv.org/pdf/2603.04448) 项目页面 (http://skillnet.openkg.cn/) GitHub878 (https://github.com/zjunlp/SkillNet) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2603.04448)

在您的智能体中获取此论文：

hf papers read 2603\.04448

没有最新CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2603.04448 以从本页面链接。

引用此论文的数据集 0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2603.04448 以从本页面链接。

引用此论文的空间 0

没有空间链接此论文

在空间 README.md 中引用 arxiv.org/abs/2603.04448 以从本页面链接。

收藏此论文的集合 9

浏览包含此论文的9个集合 (https://huggingface.co/collections?paper=2603.04448)