论文页面 - SkillHone：通过持久决策历史实现智能体技能持续进化的框架

来源：https://huggingface.co/papers/2606.08671

摘要

SkillHone通过维护持久决策历史并融入练习反馈，使智能体技能能够持续进化，从而在研究任务和工具辅助分析任务中提升表现。

智能体技能（https://huggingface.co/papers?q=Agent%20skills）为语言模型驱动的智能体提供了任务特定的程序、脚本和参考资料，但其所针对的任务和环境不断变化。现有方法在有限运行周期内改进技能，且仅保留最终产物，丢弃了后续智能体解读先前修订、评估和已拒绝方案时所需的决策历史（https://huggingface.co/papers?q=decision%20history）。我们引入了SkillHone——一个基于持久决策历史（https://huggingface.co/papers?q=decision%20history）实现智能体技能持续进化（https://huggingface.co/papers?q=skill%20evolution）的框架。SkillHone将技能修订与评估侧的证据相结合，提供练习反馈（https://huggingface.co/papers?q=practice%20feedback），并记录结构化的诊断、修订、证据和结果历史。不同角色的子智能体在练习探针上运行候选技能（https://huggingface.co/papers?q=candidate%20skills），采用已编辑报告（https://huggingface.co/papers?q=redacted%20reporting），并根据先前决策提出修订，从而实现跨会话细化（https://huggingface.co/papers?q=cross-session%20refinement），无需重新发现过往推理逻辑。在深度研究基准测试（https://huggingface.co/papers?q=deep-research%20benchmarks）上，SkillHone无需预集成搜索栈即可运行，并在GAIA（https://huggingface.co/papers?q=GAIA）上比商业支持的深度研究智能体高出15.8个百分点，在WebWalkerQA-EN（https://huggingface.co/papers?q=WebWalkerQA-EN）上高出3.2个百分点，同时超越了先前的技能进化方法。我们还在内部的工具辅助分析（https://huggingface.co/papers?q=tool-mediated%20analysis）场景中部署了SkillHone，在七个设置中平均准确率提高了18.8个百分点。

查看arXiv页面（https://arxiv.org/abs/2606.08671）查看PDF（https://arxiv.org/pdf/2606.08671）项目页面（https://zwlijay.github.io/SkillHone-Project/）GitHub6（https://github.com/Tencent/SkillHone）添加至收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.08671）

在您的智能体中获取此论文：

hf papers read 2606.08671

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

引用此论文的模型0

无模型链接此论文

请在模型README.md中引用arxiv.org/abs/2606.08671以在此页面中链接。

引用此论文的数据集0

无数据集链接此论文

请在数据集README.md中引用arxiv.org/abs/2606.08671以在此页面中链接。

引用此论文的Space0

无Space链接此论文

请在Space README.md中引用arxiv.org/abs/2606.08671以在此页面中链接。

包含此论文的收藏集0

无收藏集包含此论文

请将此论文添加至收藏集（https://huggingface.co/new-collection）以在此页面中链接。