把强 Agent 的经验变成"技能包"给弱 Agent 用：硬核拆解 SkillX

> 浙大团队提出 SkillX 框架，用 GLM-4.6 自动构建分层技能知识库，弱模型插上技能包后性能暴涨，甚至能完成原本做不了的任务。

一个不平等的课堂

想象一个场景：你是一个刚入职的程序员，面对一个复杂的 API 集成任务。你的同事——一个十年老兵——已经做过几十个类似的项目，积累了大量"套路"。如果他能把这些套路整理成一个"技能包"直接给你用，你就能跳过漫长的摸索期，直接以老兵的水平干活。

这就是 SkillX 想做的事情——只不过"老兵"是 GLM-4.6，"新兵"是各种弱模型，"技能包"是一个结构化的技能知识库。

当前的 Agent 有什么问题？

现在的 LLM Agent 有一个根本性的缺陷：每次面对新任务都从零开始。

不管之前做过多少类似的任务，Agent 不会"记住"学到的经验。这就像一个医生每次看病都重新翻教科书，而不是利用积累的临床经验。

近年来有一些"自我进化"的 Agent 尝试解决这个问题——让 Agent 从过去的执行轨迹中学习。但论文指出了三个结构性缺陷：

1. 孤立学习：每个 Agent 独立学习，重复发现相同的经验。就像每个医生都独立重新发明青霉素。 2. 经验泛化差：从少量任务中提取的经验很难迁移到新任务。就像一个只看过感冒病例的医生突然要处理骨折。 3. 能力天花板：Agent 只能从自己的探索中学习，经验的深度受限于自身能力。就像一个小学生不可能通过自学发现微积分。

SkillX 的核心洞察是：经验应该被结构化、分层、可复用地存储，而不是作为原始轨迹堆在那里。

三层技能体系：从战略到战术

SkillX 把经验组织成一个三层金字塔：

第一层：战略计划（Planning Skills）

最高层是"做什么"。面对一个任务，先制定一个高层计划——需要哪些步骤，每步的目标是什么。

比如"导出 Spotify 所有歌曲到 CSV 文件"这个任务，战略计划是： 1. 认证 Spotify 账号 2. 获取所有播放列表 3. 收集所有歌曲 ID 4. 去重 5. 导出为 CSV

这不是代码，是结构化的自然语言步骤，每一步都标注了需要调用的关键 API。

第二层：功能技能（Functional Skills）

中间层是"怎么做"。每个功能技能是一个可复用的代码片段，封装了一个特定的操作。

比如 spotify_find_most_liked_song 这个技能：

输入：一组歌曲 ID
输出：点赞数最高的歌曲标题
实现：遍历每个 ID，调用 apis.spotify.show_song 获取详情，比较点赞数
工具依赖：apis.spotify.show_song

每个技能都有标准化的 5 键结构：name（名称）、document（功能描述+参数+输出+注意事项）、content（实现代码）、tools（依赖的工具列表）、metadata（元信息）。

第三层：原子技能（Atomic Skills）

最底层是"怎么用"。原子技能是工具级别的使用示例——如何正确调用某个特定的 API。

比如"如何使用 apis.spotify.show_song 获取歌曲详情"，包含具体的调用格式、参数说明、返回值结构。

这三层形成了一个从抽象到具体的完整链条：战略计划告诉你做什么，功能技能告诉你怎么做，原子技能告诉你工具怎么用。

全自动流水线：从轨迹到技能库

SkillX 的整个构建过程是全自动的，不需要人工干预。流水线分四个阶段：

阶段一：轨迹生成与技能提取

用强模型（GLM-4.6）在目标环境中执行任务，收集执行轨迹。然后从轨迹中提取三层技能：

计划提取：从完整的执行轨迹中提炼出高层步骤
功能技能提取：从每个步骤中提取可复用的代码模式
原子技能提取：从 API 调用中提取工具使用模式

提取过程不是简单的"复制粘贴"，而是抽象化——把具体的值替换成参数，把具体的步骤泛化为模式。

阶段二：迭代精炼（Iterative Skills Refinement）

这是最精巧的部分。技能库不是一次性构建的，而是多轮迭代：

1. 用当前技能库辅助 Agent 执行新任务 2. 根据执行反馈，修改/合并/过滤技能 3. 更新技能库 4. 重复

每一轮迭代都有三种操作：

修改：根据新经验改进现有技能
合并：把相似的技能合并成一个更通用的技能
过滤：删除冗余或低质量的技能

经过三轮迭代，AppWorld 上的技能库从 72 个计划精炼到最终版本，功能技能和原子技能也在不断优化。

阶段三：探索式扩展（Exploratory Skills Expansion）

这是打破"能力天花板"的关键。如果只从已有任务中提取技能，技能库的覆盖范围就受限于训练数据的多样性。

SkillX 让 Agent 主动探索环境——尝试新的操作组合，发现新的使用模式，然后从这些探索轨迹中提取新技能。

这就像一个厨师不仅从已有菜谱中学习，还会主动尝试新的食材搭配，发现新的美味组合。

阶段四：技能检索与注入

当弱模型需要执行任务时，SkillX 通过语义检索找到最相关的计划和技能，注入到系统提示中。

检索分两步： 1. 先检索最相关的战略计划，重写为伪计划（pseudo-plan） 2. 再根据伪计划中的步骤，检索对应的功能技能和原子技能

整个过程对弱模型来说是透明的——它只需要按照注入的技能指导执行即可。

实验结果：弱模型插上翅膀

论文在三个高难度基准上测试了 SkillX 的效果：

AppWorld（应用交互）

AppWorld 是一个模拟真实应用环境的基准，Agent 需要操作 Spotify、Venmo、Reddit 等应用的 API 完成复杂任务。

基础模型	无技能库	+ SkillX	提升
GPT-4o-mini	32.5%	48.3%	+15.8
Llama-3.1-8B	21.7%	35.8%	+14.1
Qwen2.5-7B	26.7%	38.3%	+11.6

GPT-4o-mini 插上技能包后，性能提升了近 50%。 这意味着一个轻量模型加上好的技能库，可以接近甚至超过未装备技能库的大模型。

BFCL-v3（函数调用）

Berkeley 函数调用基准测试：

基础模型	无技能库	+ SkillX	提升
GPT-4o-mini	58.9%	71.1%	+12.2
Llama-3.1-8B	36.7%	52.2%	+15.5

τ²-Bench（长期对话式任务）

基础模型	无技能库	+ SkillX	提升
GPT-4o-mini	22.5%	33.3%	+10.8

关键发现

1. 分层技能优于其他经验表示：相比原始轨迹（trajectories）、工作流（workflows）、洞见（insights），三层技能体系在所有基准上都表现最好 2. 迭代精炼有效：三轮迭代后技能库质量显著提升，特别是合并操作减少了冗余 3. 探索式扩展突破天花板：主动探索发现的技能覆盖了训练数据中不存在的操作组合 4. 执行效率提升：装备技能库的 Agent 平均执行步骤更少，因为不需要"试错"

代码结构解析

SkillX 的代码仓库结构清晰：

SkillX/
├── core/skill.py          # 技能数据模型（5键schema）
├── extraction/            # 技能提取模块
│   ├── plan_extractor.py  # 计划提取
│   ├── skill_extractor.py # 功能/原子技能提取
│   └── tool_summary.py    # 工具摘要生成
├── filtering/             # 技能过滤模块
│   ├── general_filter.py  # 通用过滤器
│   └── pipeline.py        # 过滤流水线
├── expansion/             # 探索式扩展
│   ├── explorer.py        # 环境探索器
│   └── task_generator.py  # 任务生成器
├── inference/             # 推理与检索
│   ├── retriever.py       # 技能检索（embedding-based）
│   ├── plan_rewriter.py   # 计划重写
│   └── benchmarks/        # 基准测试适配器
├── pipeline.py            # 扩展提示词
└── skillx_db/             # 预构建的技能库
    └── appworld/
        ├── vanilla-iter1/ # 第1轮迭代
        ├── vanilla-iter2/ # 第2轮迭代
        └── vanilla-iter3/ # 第3轮迭代（最终版）

技能库的每个技能都遵循标准化的 5 键 schema：

{
    "name": "spotify_find_most_liked_song",
    "document": "功能描述、参数、输出、注意事项",
    "content": "实现代码",
    "tools": ["apis.spotify.show_song"],
    "metadata": {
        "skill_type": "functional",
        "source_tasks": ["task_1", "task_2"],
        "cluster_id": 3
    }
}

与 Claude Skills 的对比

论文在引言中直接对比了 Anthropic 的 Claude Skills：

维度	Claude Skills	SkillX
格式	长上下文、渐进式披露	分层、条目化
存储	需要复杂的沙箱系统	轻量级检索模块
注入	需要多轮交互	一次性注入系统提示
跨模型迁移	困难（依赖 Claude 特有能力）	容易（标准化格式）
构建	半手动	全自动

SkillX 的设计哲学是：技能应该是"即插即用"的，不依赖特定模型的特殊能力。

工程师的实用指南

如果你想在自己的项目中使用 SkillX：

1. 准备环境：需要目标环境的 API 文档和访问权限 2. 选择骨干模型：用最强的可用模型（论文用 GLM-4.6）来生成技能库 3. 运行提取流水线：让骨干模型执行任务，自动提取三层技能 4. 迭代精炼：至少跑 2-3 轮迭代，合并和过滤冗余技能 5. 部署检索：用 embedding 模型建立技能索引，推理时按需检索注入

注意事项：

技能库的质量高度依赖骨干模型的能力
检索模块目前还是简化版（代码中有 TODO 标注），生产环境需要更强的 embedding 检索
技能库是环境特定的——Spotify 的技能库不能直接用于 Slack

我的思考

SkillX 让我想到一个更深层的问题：AI Agent 的"经验"到底应该以什么形式存在？

现在大多数 Agent 框架（LangChain、AutoGPT、CrewAI）都在解决"如何让 Agent 执行任务"的问题，但很少有人认真思考"如何让 Agent 积累经验"。

SkillX 的答案是：经验应该是结构化的、分层的、可复用的。 这和人类的知识组织方式高度一致——我们有"方法论"（战略计划）、有"操作手册"（功能技能）、有"工具使用技巧"（原子技能）。

但这个方向还有很多未解的问题：

技能库如何跨环境迁移？（Spotify 的技能能迁移到 Apple Music 吗？）
技能库如何随着环境变化自动更新？（API 改版了怎么办？）
多个技能库如何组合？（Spotify + Venmo + Reddit 的技能能协同工作吗？）

也许未来会出现一个"技能市场"——不同的团队贡献不同环境的技能库，Agent 可以像安装插件一样组合使用。这将是 Agent 从"工具"走向"平台"的关键一步。

---

论文信息

标题: SkillX: Automatically Constructing Skill Knowledge Bases for Agents
作者: Chenxi Wang, Zhuoyun Yu, Xin Xie 等（浙江大学）
arXiv: 2604.04804（v2, 2026-04-19）
代码: github.com/zjunlp/SkillX
许可证: MIT