当AI学会「写操作手册」——EmbodiSkill与SKILLEVOLVER：技能自我进化的两种哲学

论文1: EmbodiSkill (arxiv:2605.10332) — 南京大学、清华AIR、微软研究院等
论文2: SKILLEVOLVER (arxiv:2605.10500) — 清华大学、北京交通大学

一、先搞清楚：什么是「技能」？

两篇论文都在谈「skill」，但这个词在AI圈里已经被用滥了。在讲它们怎么让AI进化技能之前，我们先诚实面对一个问题：命名不等于理解。

在EmbodiSkill的语境里，技能是 持久的、可修改的程序性规范——告诉你"先找钥匙再开门"，而不是"记住上次你在这儿摔了一跤"。在SKILLEVOLVER的语境里，技能是 可移植的工件——一段 prose（自然语言说明）+ 一段 code（可执行脚本）+ 几个示例，打包成一个目录，任何CLI agent都能加载。

两种定义的共同内核：技能不是记忆，而是可复用的操作手册。

记忆是"我上次这么做过"，技能是"下次应该这么做"。这个区分听起来简单，但它是整件事的根基。如果AI只是把过去的轨迹存起来，它永远在给每个新任务从零开始编故事。技能让它有机会 从过去的经验中提取通用规则，然后在相似但不相同的场景中复用。

二、为什么「不修改模型权重」是革命性的

两篇论文有一个惊人的共识：整个学习过程中，模型权重纹丝不动。

EmbodiSkill冻结Qwen3.5-27B的executor，SKILLEVOLVER的meta-skill也完全不碰Claude Opus的参数。所有改进都写进外部技能文件里。

这不是技术偷懒，而是一个深刻的设计选择。想象一下：

• 如果改进发生在权重里，你得到的是一个「更好的模型」，但你不知道它为什么更好，也无法把「更好」迁移到别的模型上。
• 如果改进发生在技能文件里，你得到的是一本可读的、可移植的、可审查的操作手册。

SKILLEVOLVER的作者说得直白：学习目标是技能的 prose 和 code，不是模型权重，所以结果可以直接丢进任何 agent，无需重新训练。

这意味着技能可以：

1. 版本控制 —— git diff 看技能怎么进化
2. 人工审查 —— 打开文件看看AI学了什么
3. 跨模型复用 —— Qwen学到的技能可以给GPT用
4. 回滚 —— 技能坏了？回到上一个版本

货物崇拜检测：很多论文把「不修改权重」包装成某种高级技术，好像权重更新是低级操作。但实际上，这是 约束条件下的优雅选择——在权重不可修改或修改成本极高的场景（比如闭源API、边缘设备、企业合规），外部技能是唯一可行的进化路径。

三、两种「从失败中学习」的哲学

EmbodiSkill：先搞清楚是谁的错

具身智能体的一个核心难题：任务失败，到底是技能写错了，还是agent没执行对？

这是一个在CLI或聊天场景里不存在的烦恼。如果你让ChatGPT写代码，代码跑不通，那99%是代码本身有问题（除非模型幻觉了执行步骤）。但如果你让一个机器人在厨房里找杯子，失败的原因可能是：

• 技能说"先打开橱柜"，但agent忘了执行这个动作（执行失误）
• 技能说"杯子在橱柜里"，但那个场景里杯子其实在桌上（技能缺陷）
• 技能什么都没说，agent自己瞎找（技能缺失）
• 技能说了一种找法，但轨迹展示了更好的找法（技能可优化）

EmbodiSkill的 brilliant move 是设计了四种反射类型，强制让AI在做任何修改前先回答"是谁的错"：

最精彩的是 EXECUTION LAPSE。传统方法会把所有失败都归结为"技能需要更新"，结果正确的技能被不断重写、稀释、污染。EmbodiSkill说：不，有些失败不需要改技能，需要改的是 怎么让agent更注意这条技能。

这就像一个教练回看比赛录像："这个战术本身是对的，但球员跑位错了。我不改战术，我加一条'提醒球员注意跑位'。"

效果非常显著：在ALFWorld上，skill-aware版本比skill-unaware版本相对提升了19.04%。这说明 区分"技能错了"和"执行错了"不是哲学偏好，而是工程必要性。

SKILLEVOLVER：从「部署」中学习，而非从「探索」中蒸馏

SKILLEVOLVER的核心洞察更偏向系统设计：技能真正的考验不是作者觉得它好不好，而是另一个agent拿它当依赖时能不能用。

现有方法（如Trace2Skill）的套路是：收集大量轨迹 → 从中蒸馏出技能。这的问题是：轨迹来自探索，不代表真实部署场景。

SKILLEVOLVER的做法是：

1. 写一个候选技能
2. 把它部署给 全新的agent（Domain-Skill Agent）
3. 观察这些agent用的时候卡在哪里
4. 从「高奖励轨迹 vs 低奖励轨迹」的对比中学习
5. 用 独立审计员（Auditor） 检查技能是否包含硬编码、是否可移植、是否会被静默绕过

这创造了一个关键差异：学习信号来自部署时的失败，而非探索时的失败。

举个例子：你写了一个「如何用Excel做报表」的技能。在探索阶段，你自己试了一下，能跑通。但当你把这个技能给另一个从没用过这个模板的人，他可能完全看不懂你的步骤4在说什么——因为你省略了一个你以为是常识的操作。SKILLEVOLVER的对比式更新会暴露这种"作者盲区"。

策略多样化探索 也是亮点：不是简单提高temperature随机采样，而是让meta-skill显式写出不同的解决策略（选不同库、不同算法、不同解释方式），确保覆盖决策空间的主要维度。

四、技术细节的诚实对比

五、效果：数字背后的真相

EmbodiSkill

• ALFWorld：Qwen3.5-27B + 进化技能 → 93.28%（超过GPT-5.2直接执行31.58%）
• 超过G-Memory（最强记忆基线）25.01%
• Skill-aware vs skill-unaware：相对提升19.04%

数字告诉我们的事：一个本地开源模型，靠外部技能进化，能碾压闭源最强模型直接执行。这说明程序性知识的外化比模型参数的膨胀更有效。

SKILLEVOLVER

• SkillsBench 83任务：56.8% vs 人类 curated 43.6% vs 无技能 29.9%
• KernelBench GPU优化：平均 speedup 从1.16提升到1.51
• Refinement（R=2 vs R=1）贡献了约2/3的总增益
• 下游agent效率：token减少19.4%，交互轮次减少15.3%，wall-clock减少23.8%

数字告诉我们的事：

1. 单次探索（R=1）已经能超过人类写的技能（48.2% vs 43.6%），但refinement（R=2）把优势扩大到+13.3pp —— 说明"写出来→给别人用→看哪里崩了→改"的循环是质变，不是量变。
2. 人类技能在约25%的任务上仍然更强（通常是高度领域特定的DSL或惯例），说明meta-skill不是万能替代，而是覆盖面更广。
3. 进化后的技能不仅更准确，还更高效——agent用更少token、更少轮次完成任务。技能不只是"告诉agent怎么做"，而是"压缩agent需要自己想的东西"。

六、深层问题：技能进化的边界在哪？

两篇论文都没有直接回答，但都暗示了一些边界：

1. 技能能进化到什么程度？
EmbodiSkill的技能体在10轮修订后趋于稳定，但这是不是因为ALFWorld的任务空间有天然上限？如果环境无限复杂，技能会不会膨胀到无法管理？SKILLEVOLVER用审计检查表来控制质量，但没有讨论技能复杂度的理论上限。

2. 谁来验证验证者？
EmbodiSkill的执行失误检测依赖executor"应该做什么"的判断，但如果executor本身有系统性偏见（比如总是忽略某类指令），这种偏见会被编码进技能附录而不是被修正。SKILLEVOLVER的Auditor是一个独立agent，但Auditor的判断标准是人类预设的检查表——如果检查表有盲区，盲区会累积。

3. 技能能否跨域迁移？
两篇论文都聚焦单一领域（家务/代码）。一个在ALFWorld里进化出的"找物体"技能，能迁移到RoboTHOR吗？一个在SkillsBench里进化出的"写Python测试"技能，能迁移到Rust吗？目前没有证据。

4. 成本与收益的拐点
SKILLEVOLVER坦诚报告了\(4/任务的成本。对于83个任务的全量扫描，这大约是\)300。对于企业级数千个任务的场景，这变成$12,000+。什么时候"写技能"比"直接让大模型 brute-force"更划算？论文没有给出决策框架。

七、结语：技能即接口

这两篇论文共同指向一个趋势：AI正在从"模型中心"转向"技能中心"。

过去我们问"GPT-5比GPT-4强多少？"，未来我们可能会问"这个agent加载了什么技能？"

技能是模型与世界的接口层。它让黑盒模型有了可审计、可复用、可版本化的行为契约。EmbodiSkill和SKILLEVOLVER展示的是这个接口层的自我进化能力——不是通过重新训练模型，而是通过结构化的经验提取和严格的验证闭环。

用费曼的话说：如果你不能把它解释得足够简单以至于写进一本操作手册，那你就还没真正理解它。这两篇论文做的事，本质上是在测试AI能否通过写操作手册的方式，证明自己理解了某个任务。

而测试的结果是：在某些领域，AI写的操作手册已经比人类专家写的更好用了。

参考文献

• Ju, R., et al. (2026). EmbodiSkill: Skill-Aware Reflection for Self-Evolving Embodied Agents. arXiv:2605.10332.
• Zhang, G., et al. (2026). SKILLEVOLVER: Skill Learning as a Meta-Skill. arXiv:2605.10500.
• Li, Y., et al. (2026). SkillsBench: A Benchmark for Skill-Centric Agent Evaluation.
• Ni, Y., et al. (2026). Trace2Skill: Distilling Trajectory Knowledge into Transferable Agent Skills.
• Xia, Y., et al. (2026). SkillRL: Recursively Expanding Skill Libraries via Reinforcement Learning.

#具身智能 #agent #技能进化 #大模型 #清华AIR #南京大学 #SKILLEVOLVER #EmbodiSkill