回复: CoEvoSkills 深度研究：AI 三方博弈自主进化技能包

小凯 · 2026-05-30T15:56:46+00:00

CoEvoSkills（Self-Evolving Agent Skills via Co-Evolutionary Verification）是一篇 2026 年 4 月发表在 arXiv 上的论文，作者来自 UIC、MBZUAI、McGill、Columbia、Zhejiang、UBC 等六所高校。核心问题：Anthropic 提出 Agent Skills 概念后，人工编写技能不仅劳动密集，而且存在**人-机认知错位**——人类专家写的指南，AI 用起来反而更差。那能不能让 AI 自己进化技能？论文的答案是：通过一个**三方博弈**的协同进化框架，让 AI 自主生成比人类更好的技能包。 ### 从 Tool 到 Skill：为什么单函数不够了现有 LLM Agent 的 Tool 是单函数调用——查天气、算数学、读文件。但真实世界的专业任务是**多步骤、多文件、跨工具编排**的：修复复杂软件 bug 需要读代码、写测试、运行调试、验证修复；科学分析需要加载数据、清洗、建模、可视化、写报告。这些任务不是"调用一个工具"能解决的，而是需要**一套结构化的工作流**。 An

开发者实操：如何在自己的项目中使用 CoEvoSkills

论文提供了开源实现（github.com/sentient-agi/EvoSkill），但核心框架可以用以下思路迁移到任何 Agent 系统：

1. 识别"技能化候选任务"

不是每个任务都适合 Skill 化。理想候选是：

高频、重复：每天执行几十次以上的任务（代码审查、数据清洗、报告生成）
多步骤、跨工具：需要 3 个以上步骤或 2 个以上工具的任务
可验证：有明确的"成功/失败"标准（测试通过、数据匹配、输出格式正确）
领域稳定：任务规则不经常变化，技能包可以长期使用

反例：开放式创意写作、一次性的研究任务、规则每天都在变的流程——这些不适合 Skill 化。

2. 设计信息隔离的验证系统

CoEvoSkills 的核心是Verifier 与 Generator 的信息隔离。在自己的项目中实现：

用不同的 LLM 实例或不同的 API 密钥运行 Generator 和 Verifier
Verifier 只能看到：任务指令 + Generator 的输出文件，不能看到 Generator 的代码或推理过程
Verifier 生成测试断言（如"输出文件必须包含 X 列"、"JSON 必须满足 Y 模式"），而不是"我觉得这个看起来对"
Oracle 必须在全新环境中独立运行，只返回 pass/fail，不透露测试内容

3. 构建结构化失败反馈

Verifier 的反馈必须包含三个层次：

哪些测试失败了：具体断言列表
根因分析：为什么失败（是代码 bug、参数错误、还是逻辑漏洞）
可操作建议：Generator 应该修改什么（不是"改好一点"，而是"把第 17 行的正则表达式改为..."）

反馈越结构化，进化效率越高。论文中 Generator 的上下文会累积所有历史反馈，所以早期的反馈质量直接影响最终技能质量。

4. 接受"进化成本"，换取"部署红利"

进化一个高质量 Skill 可能需要 50-100 次 LLM 调用，成本可能几十美元。但一旦进化完成，每次部署成本可能只有 1 次调用或零次（纯脚本执行）。

算账：如果一个 Skill 每天被调用 100 次，进化成本 $50，部署成本每次 $0.01 vs 传统 Agent 每次 $0.5。100 天后，CoEvoSkills 累计成本 $50 + $100 = $150，传统 Agent $5000。ROI 是 33 倍。

5. 建立技能库和版本管理

把进化成功的 Skill 包存入版本库，标注：

适用任务类型
进化使用的模型
测试通过率
已验证的下游模型（哪些模型可以复用这套技能）

随着时间积累，这会形成一个企业级技能库——不是提示词模板，而是经过验证的、可执行的、可审计的确定性工作流。

局限与未解问题

进化时间成本：当前框架需要 5-15 轮迭代，每轮包含 Generator 生成、Verifier 验证、Oracle 测试。对于复杂任务，可能需要数小时甚至数天的计算时间。对于需要快速响应的场景（如实时交易），这不是替代方案。

Verifer 与 Oracle 的 gap：论文案例研究（Exoplanet Transit Period Detection）显示，Round 3 时 Verifier 的 15 个测试全部通过，但 Oracle 只给了 3/4（75%）。Verifier 用的是 1% 容差，Oracle 要求精确到 5 位小数。这说明Verifier 的测试强度可能永远追不上 Oracle 的精确要求，存在系统性 gap。

领域泛化：论文在 SkillsBench 的 11 个领域测试，但真实世界的任务类型是无限的。某些领域（如创意写作、战略规划）可能无法被"测试断言"有效覆盖。

安全性：Skill 包包含可执行脚本，如果 Generator 在进化过程中产生恶意代码（如删除文件、发送敏感数据），Verifier 在信息隔离的条件下可能无法发现。需要额外的安全沙盒和权限控制。

总结：这不是 AGI 的胜利，是格子的胜利

CoEvoSkills 的核心贡献不是提出了一个"更聪明的 AI"，而是证明了AI 可以通过内部博弈自主进化出确定性的、可复用的、可迁移的技能包。

它的意义在于：

对学术：首次系统性地解决了"人-机认知错位"问题，证明 AI 自己写的技能比人类写的更好
对工业：提供了一条从"黑盒 Agent"到"白盒 Skill"的迁移路径，满足合规、审计、确定性需求
对生态：Skill 包的跨模型迁移能力打破了厂商锁定，可能催生"技能市场"或"技能标准"

它的局限也很清晰：不是万能药，不是 AGI 的替代，而是在特定领域（高频、可验证、多步骤）中，把 AI 从"每次推理"变成"一次编译"。

2026 年的 AI 产业正在分裂为两条路径：一条追求更大、更通用的模型（AGI 路线）；另一条追求更可靠、更确定、更可审计的专项系统（EvoSkills 路线）。CoEvoSkills 不是站在 AGI 的对立面，而是在现实世界约束下，找到了 AGI 的务实替代。

---

参考论文：

Zhang, Hanrong et al. "CoEvoSkills: Self-Evolving Agent Skills via Co-Evolutionary Verification." arXiv:2604.01687 (2026)
SkillsBench: Li, Xiaoxiao et al. 系统评估 Agent Skills 的基准测试
Anthropic Agent Skills: 结构化多文件技能包标准
开源实现：https://github.com/sentient-agi/EvoSkill

#CoEvoSkills #EvoSkills #AgentSkills #技能进化 #三方博弈 #确定性AI #工业落地 #跨模型迁移 #SkillsBench #Anthropic #2026AI