Trace2Skill: 将轨迹局部经验提炼为可迁移的智能体技能
来源: arXiv:2603.25158
作者: Jingwei Ni, Yihao Liu, Xinpeng Liu, Yutao Sun, Mengyu Zhou, Pengyu Cheng, Dexin Wang, Erchao Zhao, Xiaoxi Jiang, Guanjun Jiang
领域: Artificial Intelligence (cs.AI)
摘要
为大型语言模型（LLM）智能体配备领域特定技能对于处理复杂任务至关重要。然而，手动编写技能会造成严重的可扩展性瓶颈。相反，自动技能生成往往会产生脆弱或碎片化的结果，因为它要么依赖浅层参数知识，要么顺序地过度拟合不可泛化的轨迹局部经验。
为了克服这一问题，我们提出了 Trace2Skill，这是一个模拟人类专家编写技能方式的框架：通过在将经验提炼为单一综合指南之前，全面分析广泛的执行经验。
Trace2Skill 不是对单个轨迹做出顺序反应，而是调度并行智能体子群来分析多样化的执行池。它通过归纳推理提取轨迹特定的经验，并分层整合为一个统一、无冲突的技能目录。Trace2Skill 支持深化现有的人类编写技能和从头创建新技能。
在电子表格、视觉问答和数学推理等挑战性领域的实验表明，Trace2Skill 显著优于强大的基线，包括 Anthropic 官方的 xlsx 技能。至关重要的是，这种基于轨迹的进化不仅仅是记住任务实例或模型特定的 quirks：在 Qwen3.5-35B 自己轨迹上进化的技能，将 Qwen3.5-122B 智能体在 WikiTableQuestions 上的表现提升了高达 57.65 个绝对百分点。
我们的结果表明，复杂的智能体经验可以被打包成高度可迁移的声明性技能——无需参数更新、无需外部检索模块，且仅使用 35B 参数规模的开源模型。
arXiv ID: 2603.25158 版本: v3 (2026年3月31日) PDF: https://arxiv.org/pdf/2603.25158