论文页面 - 从原始经验到技能消费：模型生成智能体技能的系统性研究

来源: https://huggingface.co/papers/2605.23899 作者:

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

语言智能体受益于可重用的技能，这些技能编码了特定领域的流程，但它们的有效性在不同提取和消费场景中差异显著，需要仔细评估和元技能指导以优化性能。

语言智能体 (https://huggingface.co/papers?q=Language%20agents) 通过重用技能 (https://huggingface.co/papers?q=skills)——从过去经验中提炼的结构化程序性产物——而日益改进。特别是领域级和模型生成的技能 (https://huggingface.co/papers?q=model-generated%20skills) 尤其有前景。它们通过编码领域特有的重复性流程，实现领域内的快速适应，并能超越劳动密集的手工制作进行扩展。然而，尽管提取方法不断涌现，理解仍然有限，目前尚无全面的研究贯穿整个技能生命周期——经验生成、技能提取 (https://huggingface.co/papers?q=skill%20extraction) 和技能消费 (https://huggingface.co/papers?q=skill%20consumption)——来询问这些技能 (https://huggingface.co/papers?q=skills) 是否真正有效、何时有效，以及成功或失败的原因。为填补这一空白，我们构建了一个基于效用的评估框架，跨提取器和目标智能体提供系统性实验结果，覆盖五个不同的智能体任务领域。我们发现模型生成的技能 (https://huggingface.co/papers?q=model-generated%20skills) 平均而言是有益的，但表现出非平凡的负迁移 (https://huggingface.co/papers?q=negative%20transfer)，而且提取器和目标智能体的行为并不一致。一个模型可能是强提取器但弱消费者，反之亦然，技能效用与模型规模或基线任务强度无关。为解释这些模式，我们接着深入剖析每个生命周期阶段，分析经验组成如何塑造技能质量，哪些特性刻画了有用技能 (https://huggingface.co/papers?q=skills)，以及同一技能如何在不同消费者间迁移。最后，我们将这些发现转化为具体的元技能 (https://huggingface.co/papers?q=meta-skill)，指导技能提取 (https://huggingface.co/papers?q=skill%20extraction) 朝向与实际效用相关的特征，从而在多个领域持续提升技能质量，并大幅减少负迁移 (https://huggingface.co/papers?q=negative%20transfer)。

查看 arXiv 页面 (https://arxiv.org/abs/2605.23899) 查看 PDF (https://arxiv.org/pdf/2605.23899) 项目页面 (https://microsoft.github.io/SkillLens/) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.23899)

在你的智能体中获取此论文：

hf papers read 2605\.23899

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

引用此论文的模型0

没有模型链接到此论文

在模型 README.md 中引用 arxiv.org/abs/2605.23899 以从此页面链接。

引用此论文的数据集0

没有数据集链接到此论文

在数据集 README.md 中引用 arxiv.org/abs/2605.23899 以从此页面链接。

引用此论文的 Space0

没有 Space 链接到此论文

在 Space README.md 中引用 arxiv.org/abs/2605.23899 以从此页面链接。

包含此论文的收藏0

没有收藏包含此论文

将此论文添加到收藏 (https://huggingface.co/new-collection) 以从此页面链接。