论文页面 - SkillClaw：让技能通过智能进化器集体进化

来源：https://huggingface.co/papers/2604.08377

摘要

SkillClaw 通过在多用户 LLM 智能体系统中聚合用户交互，实现技能的集体进化，能够自主更新和改进生态系统中可复用的技能，使其持续提升。

诸如 OpenClaw 这样的大语言模型（LLM）智能体依赖可复用技能（https://huggingface.co/papers?q=reusable%20skills）来执行复杂任务，但这些技能在部署后基本保持静态。因此，不同用户会反复发现相似的工作流程、工具使用模式和故障模式，系统无法随经验积累而改进。虽然不同用户的交互提供了关于技能何时有效或失败的互补信号，但现有系统缺乏将这种异构经验转化为可靠技能更新的机制。为解决这些问题，我们提出了 SkillClaw，一个面向多用户智能体生态系统（https://huggingface.co/papers?q=multi-user%20agent%20ecosystems）的集体技能进化框架，它将跨用户和跨时间的交互作为改进技能的主要信号。SkillClaw 持续聚合使用过程中生成的轨迹，并利用自主进化器（https://huggingface.co/papers?q=autonomous%20evolver）进行处理，该进化器能识别反复出现的行为模式，并通过改进现有技能或扩展新能力，将这些模式转化为技能集的更新。生成的技能保存在共享仓库（https://huggingface.co/papers?q=shared%20repository）中，并在用户间保持同步，从而使一个场景中发现的改进能够传播到整个系统，且无需用户额外投入。通过将多用户经验融入持续的技能更新，SkillClaw 实现了跨用户知识迁移（https://huggingface.co/papers?q=cross-user%20knowledge%20transfer）和累积能力提升（https://huggingface.co/papers?q=cumulative%20capability%20improvement）。在 WildClawBench 上的实验表明，即便在有限的交互和反馈下，SkillClaw 也能显著提升 Qwen3-Max 在真实世界智能体场景中的性能。

查看 arXiv 页面（https://arxiv.org/abs/2604.08377）查看 PDF（https://arxiv.org/pdf/2604.08377）GitHub 1.73k（https://github.com/AMAP-ML/SkillClaw）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2604.08377）

引用本文的模型 0

没有模型引用本文

请在模型 README.md 中引用 arxiv.org/abs/2604.08377 以链接至此页面。

引用本文的数据集 1

zhongweixie/A-Survey-on-AI-Agent-Harness 查看器• 18天前更新 • 1 • 160 • 1 (https://huggingface.co/datasets/zhongweixie/A-Survey-on-AI-Agent-Harness)

引用本文的 Space 0

没有 Space 引用本文

请在 Space README.md 中引用 arxiv.org/abs/2604.08377 以链接至此页面。

包含本文的收藏集 21

浏览包含本文的 21 个收藏集 (https://huggingface.co/collections?paper=2604.08377)