Skill-MAS：多 Agent 编排的元技能进化论——蚂蚁集团 + 港科大的第三条路

一句话摘要：蚂蚁集团 + 港科大（广州）提出 Skill-MAS——把多 Agent 系统的编排策略当成可进化的"元技能"（Meta-Skill），让冻结的大模型在不更新参数的情况下，通过多轨迹采样 + 选择性反思持续学习。实验证明，冻结的 GPT-5.4-Nano 经 Skill-MAS 优化后，性能超过昂贵的推理时重排策略，且学到的元技能跨模型、跨任务可迁移。

一、多 Agent 编排的"不可能三角"

大语言模型（LLM）驱动的多智能体系统（MAS）已经成了复杂任务的标配。但这里有个根本性的两难：

推理时编排的问题很直观：你让 GPT-5 去编排一群 Agent，它每次都像第一次做这件事——不记教训，不积累经验。同一个失败模式反复出现。

训练时编排的问题更深层：把编排能力内化到模型参数里，意味着你要对 7B 参数的模型做梯度更新。前沿模型（>100B）根本训不起，而且需要海量标注数据。

Skill-MAS 问了一个狠问题：

有没有第三条路——既保留前沿模型的强大推理能力，又能像训练时方法那样积累经验？

答案是：把"编排策略"外化为一个可进化的自然语言工件，让冻结的 LLM 来执行它。

二、元技能（Meta-Skill）：策略即代码

Skill-MAS 的核心创新是 Meta-Skill 概念。

想象你有一个非常厉害的导演（前沿 LLM），但他每次拍戏都要重新想"怎么调度演员"。Skill-MAS 的做法是：让导演写一本《导演手册》，每次拍戏前先看手册，拍完再根据经验更新手册。导演本人（模型参数）不动，手册（元技能）一直在进化。

这个 Meta-Skill 是一个结构化的自然语言文档，包含三个模块：

模块一：任务分解（What）

• 意图与范围分析
• 子任务拆解为逻辑上自洽的单元
• 逻辑依赖关系映射
• 成功标准定义

模块二：Agent 工程（Who）

• 角色画像，赋予独特身份
• 精确的指令设计
• 输入上下文框架

模块三：工作流编排（How）

• 架构拓扑选择（串行、层级、循环等）
• 数据流与状态管理
• 可执行代码生成

这和 OpenClaw 的 Skill 机制异曲同工——把策略外化为可版本控制的文本，而不是埋在模型权重里。

三、闭环进化：多轨迹采样 + 选择性反思

Skill-MAS 的进化过程是一个两阶段闭环，跑 R 轮：

阶段一：多轨迹采样（Multi-Trajectory Rollout）

对当前元技能 \(S^(r)\) 下的每个任务，采样 \(K\) 条独立执行轨迹（K=5）。

为什么要多条？因为 LLM 输出有随机性，单次成功可能是运气。多条轨迹能分离"真实能力"和"执行噪声"。

然后计算两条统计量：

• 不确定度 \(u_i\) = 分数的标准差（std）
• 困难度 \(d_i\) = -平均分数

不确定度高 = 模型对这个任务很纠结，不同次执行结果差异大。
困难度高 = 模型整体表现差。

阶段二：选择性反思（Selective Reflection）

1. 优先级驱动的任务选择

把 \(u_i\) 和 \(d_i\) 融合成一个优先级分数 \(p_i\)，画优先级曲线，找"拐点"（elbow），只选前 \(j*\) 个任务做反思。

为什么选择性？ 因为不是所有任务都值得反思。有些任务已经很稳定了，优化它们收益递减。集中火力在"既难又不确定"的任务上。

2. 分层轨迹反思

第一层：任务内对比分析

• 把每个选中任务的高分轨迹 \(H_i\) 和低分轨迹 \(L_i\) 对比
• 找出"为什么这次好、那次差"的局部规律

第二层：跨任务综合

• 把多个任务的观察提炼成系统性模式
• 给补丁打优先级，形成证据包 E

3. 技能优化

根据证据包 \(E\)，有针对性地更新元技能的三个模块：

• 哪里弱补哪里，不全面重写
• 保留三模块脚手架结构
• 抽象为可泛化的原则（不是 task-specific 的 hack）

然后进入下一轮 \(S^(r+1)\)。

四、实验：四个大模型，四个复杂领域

测试基准

测试模型

• Gemini-3.1-Flash（专有）
• GPT-5.4-Nano（专有）
• Qwen3.5-Plus（开源）
• DeepSeek-V4-Flash（开源）

核心结果

Skill-MAS-optimized 在四个模型上都取得了最高平均性能：

成本-性能权衡：

• 训练时 MAS：最便宜，但性能最差
• 推理时 MAS：性能较好，但最贵（每样本都重优化）
• Skill-MAS：性能最高，成本适中（一次性进化元技能，之后零额外成本）

五、元技能的可迁移性：学到的不是 domain trick，是编排智慧

这是 Skill-MAS 最惊艳的发现。

他们做了三种迁移测试：

场景 A：跨模型迁移（同任务，不同 LLM）

在 GPT-5.4-Nano 上进化出的 Meta-Skill，直接给 Qwen3.5-Plus 用，性能从 18.45 提升到 24.40。

这意味着：Meta-Skill 学到的不是某个模型的"怪癖"，而是 任务无关的编排策略。

场景 B：跨任务迁移（不同任务，同 LLM）

在 BCP 上进化出的 Meta-Skill，给 VitaBench 用，从 0 提升到 13.10。反过来，VitaBench→BCP 从 0 提升到 23.21。

这说明：Meta-Skill 捕获的是 跨域的编排原则，不是特定任务的 hack。

场景 C：跨模型 + 跨任务（最难）

不同任务 AND 不同 LLM，仍然有正向迁移。

六、技能进化的真实轨迹：从混沌到秩序

论文展示了一个 BrowseComp-Plus 上的进化案例，Meta-Skill 的改进轨迹非常清晰：

进化路径：分解设计 → Agent 层面的认识论控制 → 系统层面的容错韧性

这不是随机搜索，是一个有方向的、分层的策略积累。

七、对 Agent 开发者的启示

1. 策略外化 > 参数内化

不要把编排策略埋在 prompt 工程或微调权重里。把它写成可版本控制的结构化文档（SKILL.md 风格），让策略本身成为一等公民。

2. 多轨迹采样是必需的

单条轨迹的成功可能是运气。K=5 条轨迹的统计量（均值、方差）才能告诉你"模型是真会了，还是蒙对了"。

3. 选择性反思 > 全面复盘

不是所有失败都值得分析。用"不确定度 × 困难度"做优先级排序，集中优化资源在最有信息量的任务上。

4. 跨层抽象

反思不能停留在"这个任务怎么做对了"，要提炼到"这类任务有什么通用原则"。这是 Skill-MAS 能实现跨任务迁移的关键。

八、局限与未来

当前限制：

• 选择性反思需要 ground-truth 标签（知道哪些轨迹是"高分"、"低分"）。未来可以引入 LLM-as-a-judge 做自监督评估。
• 多任务学习还没有系统优化，当前是简单混合。

更深层的问题：
Meta-Skill 的进化天花板在哪？如果所有编排策略都可以外化为自然语言，那 LLM 的"智能"到底在哪里——是在执行策略的能力，还是在生成策略的能力？

Skill-MAS 的回答是：两者都重要，但策略本身可以独立于执行者进化。这有点像是把"算法"从"硬件"中解耦出来。

参考论文

• Lin et al. (2026). Skill-MAS: Evolving Meta-Skill for Automatic Multi-Agent Systems. Ant Group & HKUST(GZ), arXiv:2606.18837.

#SkillMAS #多Agent系统 #元技能 #蚂蚁集团 #Agent编排 #自动MAS #LLM #MetaSkill #Agent进化