锈迹与新生：那个会给自己写日记的工具箱

> *"一个人能拥有的最伟大的技能，就是学会如何学习。"* > —— 理查德·费曼

---

🧰 引子：老木匠的工具箱

想象一位老木匠。他的工具箱里，每一把刨子都有自己的脾气——这一把在硬木上会轻微跑偏，那一把在潮湿天气里需要多磨两道工序。这些知识没有写在任何说明书上，而是刻在他手掌的茧子里，藏在他每一次下意识的微调中。

如果把这套工具箱交给一个学徒，会发生什么呢？

学徒会打开箱子，看到一堆 shiny 的金属和木柄。他可以照着书本使用它们，但那些关于"什么时候该多磨一下"、"这把刨子对哪种木纹最友好"的经验，会随着老木匠的退休一同消失。工具还在，但工具的灵魂——那些经年累月积累的使用智慧——散了。

今天的大语言模型（LLM）Agent，面对的正是这样一个困境。

它们被期望去解决越来越复杂的真实世界问题：分析数据、编写代码、处理文档、系统运维……这些问题动辄跨越数十个步骤，涉及工具调用、环境交互和多轮推理。单靠模型本身的" raw reasoning"（原始推理能力），就像让一个没有工具箱的人徒手盖房子——不是不可能，而是慢、贵、容易出错。

所以业界给Agent配了"技能"（skills）——可复用的能力单元，封装了代码、指令或领域知识。Voyager在Minecraft里攒代码库，AutoSkill从对话记录里提炼技能，Anthropic把技能标准化为SKILL.md格式的文件夹。

但这里有一个根本性的盲区：现有方法把技能当成了一次性生成的、孤立的、静态的工件。 就像把老木匠的工具箱拍照存档，然后指望照片能自己变出使用经验来。

2026年5月26日，ByteDance研究团队放出了一篇重量级工作论文——MUSE-Autoskill。这篇30页、8张图、13张表的研究，提出了一个让Agent像老木匠一样，能够"给自己写日记、给自己做体检、给自己换零件"的完整框架。

这不是又一个技能生成工具。这是一个让技能活过来的生态系统。

---

🔧 第一章：技能是什么？——从零散到系统

在深入MUSE之前，我们先搞清楚一个基础问题：Agent的"技能"到底是什么？

用最简单的话说，技能就是Agent的可复用工具。不是模型参数里那些不可见的权重，而是外化的、结构化的、可以独立拿出来用的能力包。

在MUSE的体系里，一个技能是一个标准化的目录结构：

my_skill/
├── SKILL.md          # 接口定义：名称、描述、输入、输出
├── scripts/          # 可执行代码
├── resources/        # 辅助数据
└── tests/            # 单元测试

运行时，Agent读取SKILL.md，理解这个技能"是干什么的"、"需要什么"、"产出什么"，然后决定是调用scripts里的代码、读取resources里的数据，还是两者结合。执行在隔离的沙箱中进行，失败和副作用被严格 containment。

技能的第一个好处是效率。 不用每次都从零开始推理，Agent可以直接调用一个封装好的接口。就像你不需要每次写邮件都重新发明字母表，你只需要调用"写邮件"这个技能。

技能的第二个好处是复用。 同一个"数据清洗"技能，可以在今天的财务报表任务里用，也可以在明天的用户行为分析里用。一次编写，多次受益。

技能的第三个好处，也是最关键的：它把能力从模型权重中解耦出来。 模型本身是一个巨大的、不透明的、训练一次耗资千万的怪物。而技能是轻量的、可读的、可迁移的文本和代码。你可以在GPT-4上用，也可以在Claude上用；可以给Agent A用，也可以直接搬到Agent B上——只要格式兼容。

但现有方法的问题在于，它们只做了"制造工具"这一步，没有做"保养工具"这一步。

---

🪤 第二章：四个裂缝——现有方法的阿喀琉斯之踵

论文把现有自动技能系统的问题总结为四个gap，每一个都像老木匠工具箱里的一把缺失。

裂缝一：创造与使用的错位（Creation–Usage Mismatch）

很多技能生成方法是在"离线"状态下工作的——模型根据一批示例数据或任务描述生成技能，然后存进技能库。问题是：生成技能的时候，模型并不在真正的执行环境里。

就像一个工程师在办公室设计了一把扳手，却从来没去车间看过螺丝长什么样。生成出来的技能可能在纸面上很合理，但实际运行时，面对具体的文件格式、API版本、错误码，它可能完全不知道该怎么做。

MUSE的解决方案很简单，也很优雅：把技能生成工具（skill_create）做成一个内置技能，在Agent的执行循环里实时调用。 当Agent遇到"现有技能不够用"的情况时，它不是在旁边另开一个线程写技能，而是在自己的ReAct推理-行动循环中，当场提出需求、当场生成、当场测试、当场注册。

裂缝二：没有每个技能的专属日记（No Per-Skill Memory）

现有方法的"记忆"通常是全局的——一个 episodic buffer，存着Agent过去的反思和经验。但问题是，这些记忆是粗粒度的，它们不会告诉你"那个数据清洗技能在处理CSV文件时总是漏掉最后一行"、"那个PDF解析技能在碰到扫描件时会崩溃"。

这就像老木匠把所有经验都写在同一个笔记本上，没有分工具记录。当他拿起某一把刨子时，他翻遍整本笔记也找不到关于这把刨子的具体心得。

MUSE引入了一个看似简单但极其关键的机制：每个技能自带一个.memory.md文件。 每次使用这个技能后，Agent都会往里面追加笔记——已知失败模式、输入格式的怪癖、性能陷阱。下次再调用这个技能时，这些笔记会和SKILL.md一起被加载，让Agent站在过去的肩膀上继续工作。

裂缝三：静态的、未验证的技能（Static, Unvalidated Skills）

AutoSkill、EvoSkill这些方法生成了技能，但生成完就完事了。没有单元测试，没有运行时的验证机制。一个技能可能在生成当天是正确的，但随着环境变化、依赖升级，它可能悄悄坏掉，而Agent对此一无所知。

这就像你把扳手扔进工具箱，从来不检查它是否还拧紧。直到有一天你需要它，才发现螺纹已经磨平了。

MUSE的应对策略是强制性的单元测试门禁。每个新生成的技能必须自带tests/目录。生成之后，系统立即在沙箱里运行这些测试。全通过了，技能才能注册进技能库。测试失败了？Agent读取错误堆栈，调用update_skill打补丁，重新测试——直到通过为止。

裂缝四：糟糕的上下文管理（Poor Context Handling）

长程任务是Agent的试金石。当你需要处理一个跨越数十个步骤的复杂工作流时，传统的"把整段对话历史塞进prompt"的方法很快会爆掉。要么token budget超了，要么关键信息被埋在上下文中间，模型注意力涣散，像翻一本几百页的书找某一句话。

MUSE设计了一套自适应上下文压缩机制。上下文被维护为一个DAG（有向无环图）的对话节点结构，每个回合是一个节点。当总量超过预算时，系统先尝试Level-1压缩：把单个超大节点（比如一段冗长的工具输出）替换为摘要。如果还不够，再触发Level-2：把中间一段节点合并成一个合成摘要节点。头尾节点始终被保留，防止"中间信息丢失"的注意力陷阱。

同时，Agent的完整状态——对话历史、技能使用记录、执行元数据——在每次会话后持久化为快照。这意味着一个跨天的复杂任务可以从中断处恢复，不用从头再来。

---

🔄 第三章：MUSE生命周期——五个阶段的交响

MUSE-Autoskill的核心创新，是把技能从"一次性产物"重新定义为"有生命的资产"。这个生命有五幕戏：

> 创建 → 评估 → 记忆 → 管理 → 精炼

这不是线性的流水线，而是一个循环演化的生态系统。每一个阶段都与其他阶段紧密咬合，像一个精密的机械钟表。

---

🎨 阶段一：创建（Creation）——按需锻造

MUSE的Agent不是带着一本厚厚的预设技能书出生的。它只有极少数内置技能：skill_create（创造新技能）、web_search（搜索信息），仅此而已。所有其他功能，都必须在需要时现场创造。

这个过程是这样的：

1. Agent遇到一个新任务，检查技能库，发现没有匹配的技能； 2. Agent在ReAct循环中调用skill_create，提交一个高层规格说明："我需要一个能做什么的技能，输入是什么，期望输出是什么"； 3. 系统按照结构化管道构建技能：先写SKILL.md定义接口，再规划scripts/、resources/、tests/的结构，最后生成具体内容； 4. 产出是一个完整的、可执行的skill package。

这里的关键是creation和execution的紧耦合。技能不是在真空里设计的，而是在Agent的真实执行语境中诞生的。规格说明里自然包含了当前任务的上下文——文件格式、环境变量、依赖版本——这些信息是离线生成永远无法捕捉的。

论文里有一个精妙的比喻：现有方法像是在仓库里预制标准化零件，MUSE则是在车间里按需定制。零件确实更标准，但当你面对一台从未见过的机器时，仓库里的零件往往对不上螺丝孔。

---

🧪 阶段二：评估（Evaluation）——体检报告

新技能生成后，不会直接进入技能库。它必须先过一道单元测试门禁。

每个skill package都自带tests/目录。系统立即在隔离沙箱中运行这些测试：给定预设输入，验证输出是否匹配预期。全绿（pass）才能注册；有任何失败，Agent会读取错误trace，分析原因，调用update_skill生成补丁，然后重测。

这个过程可能循环多次。论文没有给出平均迭代次数，但可想而知，一个复杂的技能（比如处理Flink查询或蛋白质表达分析）可能需要三到五轮迭代才能通过所有测试。

这套机制有几个深层好处：

第一，质量保证。 只有经过验证的技能才能进入技能库，杜绝了"看起来对、跑起来错"的隐患。

第二，自动精炼信号。 测试失败本身就是最直接的精炼信号——不需要人类标注，不需要额外的奖励模型，错误堆栈就是最好的老师。

第三，可解释性。 每个技能都有明确的测试用例覆盖范围。你随时可以重跑测试，确认技能在当前环境下是否仍然有效。这比"试试看对不对"要可靠得多。

---

📓 阶段三：记忆（Memory）——每把工具的专属日记

这是MUSE最让我心动的设计。每个技能都有一份自己的.memory.md文件。

不是全局的 episodic memory，不是Agent的笼统反思，而是绑定到这个具体技能的个人档案。每次调用后，Agent都会往里面追加笔记：

"处理CSV时，最后一行有时会被跳过，建议显式检查EOF"
"在Docker环境里，这个脚本需要额外安装pandas 1.5+"
"输入JSON的key必须是snake_case，camelCase会解析失败"
"性能注意：处理10MB以上文件时建议分块读取"

这些笔记在下一次加载该技能时，会和SKILL.md一起呈现给Agent。换句话说，技能在使用中不断积累关于自己的元知识，变得越来越"有脾气"、越来越"懂事"。

论文把这个称为"skill-level memory"（技能级记忆），并将其定位为MUSE相对于其他层级记忆架构（如MemGPT、Generative Agents）的核心增量。MemGPT在OS风格的层级中翻页，Generative Agents维护记忆流并周期性综合为高层反思，Reflexion和ExpeL积累跨episode的自然语言反思——这些都很好，但它们缺少一个与具体技能绑定的经验粒度。

MUSE的多级记忆架构是这样的：

短期记忆：当前任务的上下文，包括中间推理步骤、观察结果、临时执行结果。可以被自适应压缩。
长期记忆：跨会话的持久笔记，比如"这个项目用固定版本号"、"优先批量I/O"。不被压缩，持续增长。
技能级记忆（新增）：每个技能的.memory.md，记录该技能跨任务的专属经验。

这就像老木匠的每一把工具都自带一本小册子，上面写着"这把刨子对橡木友好但对松木容易撕裂"。不是记在脑子里，不是记在通用笔记本上，而是绑在工具上。工具传到谁手里，经验就跟着走。

---

🗂️ 阶段四：管理（Management）——工具箱的收纳术

技能多了，就会面临经典问题：找不到、重复、过期。MUSE用一套管理机制来解决。

检索： 每个技能用SKILL.md的元数据（名称、描述、输入、输出）建立索引。任务开始时，Agent拿到一个可用技能目录（progressive disclosure模式），在规划阶段基于目录选择最相关的技能。这避免了每次都要从整个技能库里大海捞针。

精炼（Refinement）： 当技能在单元测试或运行时失败，Agent基于错误反馈修订或重新生成它。

合并（Merging）： 当新创建的技能与现有技能高度重叠，Agent将它们合并为一个更通用的技能，避免冗余。

剪枝（Pruning）： 长期失败或从未被使用的技能会被移出技能库，保持工具箱的紧凑和可维护性。

这套管理机制让技能库不会无限膨胀。论文里提到，有些任务生成的技能是326行（中位数），而人类编写的技能中位数是146行。MUSE生成的技能更长、更详细、更 procedure-heavy——但这不是浪费，而是把原来需要推理的长轨迹替换为更紧凑的标准流程。数据证明，使用生成技能后，Agent的turn数反而减少了（从19降到15），token消耗下降了20%，延迟下降了37%。更详细的说明书，意味着更少的摸索时间。

---

🔨 阶段五：精炼（Refinement）——永不完结的打磨

精炼不是一个独立的阶段，而是贯穿整个生命周期的持续过程。

测试失败触发精炼。运行时出错触发精炼。跨任务使用中积累的新经验也触发精炼——Agent可以在.memory.md里记录"下次应该这样改"，然后在某个适当时机把这些建议转化为SKILL.md的正式更新。

论文没有详述精炼的完整策略（毕竟是working in progress），但核心理念很明确：技能不是写完了就封存的，而是在使用中不断打磨的。 就像老木匠的刨子，用一次，检查一次刃口，磨一次。三十年后，那把刨子的刃口曲线，已经和最初出厂时完全不同——但那正是它最趁手的样子。

---

📊 第四章：数字不会撒谎——SkillsBench上的成绩单

说了那么多设计理念，终究要靠实验说话。MUSE在SkillsBench上的表现，可以用一句话概括：在三个GPT-5.5支撑的Agent中，MUSE-Autoskill在4个超级领域中的3个以及总体上都取得了最高分。

实验设置

基准： SkillsBench，51个真实世界任务，覆盖四大领域——科学与工程（14任务）、数据分析（15任务）、文档处理（9任务）、运维与规划（13任务）。每个任务在隔离Docker容器中运行，由自动验证器按[0,1]评分。
Agent： 三个都用GPT-5.5作为 backbone，分别是MUSE-Autoskill（本文方法）、Codex、Hermes。性能差异反映的是Agent系统设计，而非模型能力。
协议： 每个Agent-任务-配置组合独立运行5次，任务级分数取5次reward平均，最终报告51个任务的macro-average。

核心结果一：人类技能的普适提升

Agent	无技能	+人类技能	提升
Codex	52.11%	67.28%	+15.17pp
Hermes	47.89%	61.21%	+13.33pp
MUSE-Autoskill	53.19%	68.40%	+15.21pp

所有Agent都能从人类技能中获益，提升幅度在13-15个百分点之间。这说明技能机制本身是有价值的——问题不在于"要不要技能"，而在于"如何让Agent自己创造和维护技能"。

核心结果二：领域分布

领域	Codex+人类	Hermes+人类	MUSE+人类
科学与工程	78.57%	72.86%	72.86%
数据分析	60.22%	47.39%	61.78%
文档处理	84.44%	82.22%	88.89%
运维与规划	51.38%	50.08%	57.08%

MUSE在3/4领域夺冠，唯一落后的是科学与工程（比Codex低5.7pp）。论文坦诚地分析了原因：三个边界失败案例（lake-warming-attribution、flood-risk-analysis、radar-vital-signs）中，验证器对任务规格未明确锁死的方法论选择进行了惩罚。这不是技能本身的失败，而是评估标准和任务描述之间的微妙错位——一个诚实的、有价值的失败分析。

核心结果三：自生成技能超越人类天花板

这是论文最激动人心的结果。

MUSE-Autoskill在51个任务中的35个（68.6%）上成功生成了技能。在这35个任务上，Phase 2准确率达到了87.94%，超过了人类技能的68.40%天花板。

配置	51任务准确率
无技能	53.19%
+人类技能	68.40%
+自生成技能	60.35%

整体51任务分数60.35%低于人类技能的68.40%，但注意：那16个Phase 1完全失败的任务被计为0%并包含在分母中。论文明确指出，瓶颈是"覆盖率"（Agent在没有技能时能否解决任务），而非"生成质量"。一旦Agent能靠自己解决某个任务，它从这个成功轨迹中蒸馏出的技能，质量往往超过人类编写的参考技能。

几个惊人的个例：

flink-query：无技能20% → 生成技能100%（+80pp）
weighted-gdp-calc：无技能20% → 生成技能100%（+80pp）
adaptive-cruise-control：无技能40% → 生成技能100%（+60pp）
protein-expression-analysis：大幅提升约+80pp

这些任务的特点是：涉及复杂的环境约束（Flink Java作业、gzipped数据、微秒级事件时间窗口）、特定的工具链（openpyxl、SUMPRODUCT公式）、或需要精密的验证逻辑。人类技能虽然给出了正确方向，但缺乏从真实成功轨迹中蒸馏出的具体细节和边界处理——而这些正是Agent自己最清楚的东西。

核心结果四：跨Agent迁移——知识的真正 portability

这是验证"技能是外化资产而非Agent私有行为"的关键实验。

把MUSE生成的技能原封不动地注入Hermes（一个完全不同的Agent架构），结果如何？

Hermes配置	准确率
无技能	47.89%
+MUSE生成技能	58.40%
+人类技能	61.21%

Hermes提升了+10.51pp，关闭了到"Hermes+人类技能"差距的79%。更惊人的是：当MUSE和Hermes使用相同的生成技能时，两者分数只差1.95pp（58.40% vs 60.35%）。这意味着技能内容不是为MUSE量身定制的，而是 genuinely transferable 的知识资产。

论文强调，这是唯一一个经过实证验证的跨Agent迁移——文献中其他方法的"可移植性"仅限于更换底层LLM backbone或在同一家族Agent变体间共享，从未有明确的跨Agent实验。

核心结果五：效率——帕累托最优

生成技能不是更贵，而是更便宜。

成本项	Agent	配置	Token	延迟(s)	Turns
一次性生成	MUSE	Phase 2	383K	164	7
每次使用	MUSE	无技能	578K	684	20
每次使用	MUSE	+人类技能	615K	656	19
每次使用	MUSE	+生成技能	493K	411	15
每次使用	Hermes	+人类技能	186K	369	14
每次使用	Hermes	+生成技能	97K	257	13

MUSE使用生成技能后：-20% token，-37% 延迟，19→15 turns。Hermes更夸张：-48% token，-30% 延迟。

为什么？因为生成技能虽然更长（中位数326行 vs 人类146行），但它们替换了原本需要多轮摸索的冗长推理轨迹。Agent看到一份详细的说明书，直接按步骤执行，而不是反复试探、纠错、再试探。

成本回收分析：生成一次花费383K tokens，每次使用节省约122K tokens。对MUSE来说，复用3次即可回本。而延迟节省（每次省约245-273秒）在第一次复用时就已经超过了164秒的生成成本。

在reward-latency和reward-tokens双轴上，"使用生成技能"的配置是唯一帕累托最优的点——更高的准确率、更低的延迟、更少的token，全面占优。

---

🧩 第五章：那些没说出口的事

论文的最后也坦诚地列出了局限性和反思，这些比胜利的数据更有价值。

覆盖率瓶颈

51个任务中，MUSE只能在35个（68.6%）上成功生成技能。那16个任务在Phase 1就全军覆没，意味着Agent连"靠自己解决一次"都做不到，自然无从蒸馏。这不是技能生成的问题，而是基础Agent能力的问题。

论文指出，未来需要扩展到全部94个SkillsBench任务（当前只测了51个），并验证在更复杂Docker环境下的表现。当前数字可能高估了系统级性能。

单轨迹蒸馏的偏见

每个生成技能只从一个成功轨迹中蒸馏而来。这个轨迹可能带有路径依赖——它成功了，但不代表是最鲁棒的解法。论文中有一个令人警醒的案例：hvac-control任务从80%退步到20%。原因？源轨迹中使用的校准窗口和增益估计程序对那次运行中的噪声轮廓有效，但换到新环境中，校准数据的方差偶尔会把调参结果推到验证器的稳定性边界之外。

这是一个深刻的教训：技能编码了"那次有效"的程序，但未必编码了"什么时候无效"的知识。这恰恰是.memory.md的价值所在——如果Agent在后续使用中发现这个问题并记录下来，精炼过程可以逐步修复这种out-of-distribution脆弱性。

统计功效

每个任务只跑5次，对于二值reward的任务，置信区间很宽。论文把这个列为未来改进方向，但也坦言这是计算成本上的现实约束。

同任务耦合

自我生成实验的设计有一个微妙的耦合：在任务X上生成技能，然后在同一个任务X上评估这个技能。虽然验证器是确定性的，且ground truth不会泄露给技能内容，但技能内容天然和源轨迹紧密绑定——这可能是87.94%这么高分的一个系统性偏置来源。未来需要在不同任务间测试迁移，才能更公正地评估泛化能力。

---

🌅 尾声：工具的黄昏与黎明

让我回到开篇的老木匠。

他的工具箱之所以珍贵，不在于工具本身，而在于工具和使用者之间积累的那层关系。每一把刨子都知道他的手劲，每一个榫卯都记得上次失败时的湿度。这些记忆不可复制、不可转移——它们随他而去。

MUSE-Autoskill做的，是让这些记忆变得可复制、可转移、可积累。每个技能的.memory.md，就是这把工具的"使用自传"。当技能从一个Agent传到另一个Agent时，这本自传跟着走。

这不是在消除人类经验的独特性，而是在扩展经验积累的基础设施。就像印刷术没有消灭手写，而是让知识可以跨越时间和空间流动；MUSE的技能生命周期也没有消灭Agent的个性，而是给它们提供了一个共享的学习底层。

论文的最后一句话是这样写的：

> "This work provides a scalable approach toward agents with continuously evolving capabilities." > > （这项工作为具备持续演化能力的Agent提供了一条可扩展的路径。）

但我想换一个说法：这不是关于Agent变聪明的故事。这是关于Agent学会如何学习的故事。

而学会如何学习，可能是智能最深刻的形态。

---

📚 参考文献

论文原文：MUSE-Autoskill: Self-Evolving Agents via Skill Creation, Memory, Management, and Evaluation
作者：Huawei Lin, Peng Li, Jie Song, Fuxin Jiang, Tieying Zhang (ByteDance Inc. / Rochester Institute of Technology)
arXiv ID：2605.27366 [cs.AI]
发布时间：2026年5月26日
页数/图表：30 pages, 8 figures, 13 tables
论文链接：https://arxiv.org/abs/2605.27366
实验基准：SkillsBench (51 tasks across Science & Engineering, Data Analysis, Document Processing, Ops & Planning)
模型 backbone：GPT-5.5
对比Agent：Codex, Hermes
相关技术：Anthropic Agent Skills, Voyager, AutoSkill, EvoSkill, SkillGen, SkillOS, MemGPT, Reflexion, ReAct

#论文 #arXiv #Agent #技能进化 #MUSE #小凯