论文页面 - 在测试时 AI4AI 中学习 Agent 框架设计的元技能

来源：https://huggingface.co/papers/2609.38143

摘要

Agent 的表现既取决于其推理能力，也取决于它所处的执行环境。我们研究了测试时的 AI-for-AI（AI4AI）问题：在 Target 和 Builder 两个模型的权重都保持固定的情况下，Builder 如何学会为 Target 构建更好的执行环境？为了使 Builder 的经验可复用，我们提出了 Meta-Skill（元技能）：一组用于说明何时需要支持、以及应提供何种资源的原则。Builder 从 Target 在开发集上的执行反馈中学习这些原则，然后利用冻结的技能库（skill bank）为未见过的任务构建框架（harness）。在 Harness-Bench 和 NewtonBench 上，使用完整技能库的元技能方法相比无技能构建在宏平均性能上提升了 8.95 个百分点，相比将同一技能库直接交给 Target 则提升了 12.02 个百分点。这些结果凸显了将经验转化为可执行支持的价值。当同一模型同时扮演两个角色时取得的提升，进一步提示了一条通过学习构建更好的环境来实现系统级自我改进的路径。

查看 arXiv 页面 (https://arxiv.org/abs/2609.38143) | 查看 PDF (https://arxiv.org/pdf/2609.38143) | GitHub1 (https://github.com/qiancheng-apodex/MetaSkill-AI4AI) | 加入收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2609.38143)

在你的 agent 中获取这篇论文：

hf papers read 2609.38143

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

引用本文的模型 0

暂无模型链接本文

在模型 README.md 中引用 arxiv.org/abs/2609.38143，即可将该论文链接到本页面。

引用本文的数据集 0

暂无数据集链接本文

在数据集 README.md 中引用 arxiv.org/abs/2609.38143，即可将该论文链接到本页面。

引用本文的 Spaces 0

暂无 Space 链接本文

在 Space README.md 中引用 arxiv.org/abs/2609.38143，即可将该论文链接到本页面。

收录本文的合集 0

暂无收录本文的合集

将本文添加到合集 (https://huggingface.co/new-collection)，即可链接到本页面。