论文页面 - Repo-To-Skill：将GitHub仓库提炼为AI4AI技能

来源：https://huggingface.co/papers/2609.02749

摘要

DisCo 是一个研究智能体，它将操作性知识提炼为可复用技能，显著提升了跨基准的自主机器学习研究表现。

自主智能体（https://huggingface.co/papers?q=Autonomous%20agents）正在开始端到端地执行机器学习（ML）研究。这些智能体将模型骨干与规划、执行、记忆和验证的框架相结合，但这种架构仍然使领域特定的专门知识游离在智能体之外。我们将这个缺失的层次称为操作性知识（https://huggingface.co/papers?q=operational%20knowledge），即那些区分“知道一个方法”和“让方法有效运作”的知识。这些知识在该领域中并非缺失。它们出现在代码库和论文中，但以人类读者可读的形式存在，并且体量太大，无法在任务执行期间加载。一旦被提炼成紧凑、经过验证的技能，这些知识就可以跨任务复用，而无需在每次运行时重新发现。我们提出 DisCo（https://huggingface.co/papers?q=DisCo），一个技能驱动的研究智能体，它创建技能并在研究过程中使用它们。它的提炼以两种互补形式进行：任务无关的，将领域内广泛使用的代码库浓缩为可复用技能；以及任务导向的，生成具体任务所需的技能。前者应用于整个开源生态系统，产出了 AREX-Skill Library（https://huggingface.co/papers?q=AREX-Skill%20Library），包含从 1,000 个广泛使用的 ML 仓库中提炼的 5,000 多个经过验证的技能，并组织成 20 个领域和 178 个能力族。在固定使用 GPT-5.5 骨干模型、研究框架和下游执行预算的情况下，配备技能的研究智能体在 MLE-bench（https://huggingface.co/papers?q=MLE-bench）上的得分提高了 134.3%，在 PaperBench（https://huggingface.co/papers?q=PaperBench）上提高了 34.4%，在 FrontierCS 上提高了 9.2%，在 PassNet 上提高了 14.0%，相比于没有技能的同一智能体。这些增益来自于在固定配置下增加了提炼的操作上下文。

查看arXiv页面 查看PDF GitHub 添加到收藏

在你的智能体中获取这篇论文：

hf papers read 2609.02749

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

引用本文的模型 0

没有链接本文的模型

在模型的 README.md 中引用 arxiv.org/abs/2609.02749 以从此页面链接它。

引用本文的数据集 0

没有链接本文的数据集

在数据集的 README.md 中引用 arxiv.org/abs/2609.02749 以从此页面链接它。

引用本文的 Spaces 0

没有链接本文的 Space

在 Space 的 README.md 中引用 arxiv.org/abs/2609.02749 以从此页面链接它。

包含本文的收藏 0

没有包含本文的收藏

将本文添加到收藏以从此页面链接它。