论文页面 - SkillAdaptor：从轨迹中实现LLM智能体的自适应技能

来源：https://huggingface.co/papers/2606.01311

摘要

带有显式故障归因的步骤级技能自适应框架，可改善LLM智能体在交互任务中的免训练技能维护。

大型语言模型（LLM）智能体日益依赖可重用的外部技能（https://huggingface.co/papers?q=reusable%20external%20skills）来解决长时交互任务。现有的免训练技能自适应（https://huggingface.co/papers?q=training-free%20skill%20adaptation）流程通常基于完整轨迹或会话级反馈来更新技能，这使得故障归因（https://huggingface.co/papers?q=failure%20attribution）较为粗糙，且往往导致不稳定或过于宽泛的修订。我们提出了SkillAdaptor，一种带有显式故障归因（https://huggingface.co/papers?q=failure%20attribution）的免训练步骤级技能自适应框架，可即插即用于OpenClaw类智能体框架。给定一条失败轨迹，SkillAdaptor会识别第一个可操作的故障步骤，将责任关联到候选技能，并在显式接受检查下应用针对性更新，同时保持骨干模型冻结。我们在WebShop（https://huggingface.co/papers?q=WebShop）、PinchBench（https://huggingface.co/papers?q=PinchBench）和Claw-Eval（https://huggingface.co/papers?q=Claw-Eval）上，使用Kimi-K2.5（https://huggingface.co/papers?q=Kimi-K2.5）、GLM-5（https://huggingface.co/papers?q=GLM-5）和GPT-5.2（https://huggingface.co/papers?q=GPT-5.2）进行评估。SkillAdaptor在所有三个套件上均优于无技能和技能自适应基线，最大单项指标提升分别为：PinchBench（https://huggingface.co/papers?q=PinchBench）平均得分%提升+1.5，Claw-Eval（https://huggingface.co/papers?q=Claw-Eval）平均得分提升+1.8，WebShop（https://huggingface.co/papers?q=WebShop）成功率提升+1.7。这些结果表明，步骤级归因能够支持更稳定、更可审计的免训练技能维护。代码将在https://github.com/zjunlp/SkillAdaptor.git发布。

查看arXiv页面（https://arxiv.org/abs/2606.01311）查看PDF（https://arxiv.org/pdf/2606.01311）添加至收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.01311）

在你的智能体中获取该论文：

hf papers read 2606\.01311

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

引用该论文的模型0

暂无模型链接该论文

在模型README.md中引用arxiv.org/abs/2606.01311以从该页面链接。

引用该论文的数据集0

暂无数据集链接该论文

在数据集README.md中引用arxiv.org/abs/2606.01311以从该页面链接。

引用该论文的Spaces0

暂无Space链接该论文

在Space README.md中引用arxiv.org/abs/2606.01311以从该页面链接。

包含该论文的集合0

暂无集合包含该论文

将该论文添加至集合（https://huggingface.co/new-collection）以从该页面链接。