本文主要讨论四篇围绕“智能体技能（agent skills）”的论文，他们共同关心了一个问题：如果大模型智能体不能频繁改模型权重，能否把可复用的过程性知识写成外部技能，并通过记忆、生成、评估或优化，让技能成为智能体持续改进的主要载体。

论文标题	时间信息	在本文中的角色
MemSkill: Learning and Evolving Memory Skills for Self-Evolving Agents	https://arxiv.org/abs/2602.02474	把“记什么、怎么更新记忆”从固定操作改写成可学习、可演化的记忆技能
From Raw Experience to Skill Consumption: A Systematic Study of Model-Generated Agent Skills	https://arxiv.org/abs/2605.23899	系统评估模型生成的领域级技能是否真的有用，并分析技能生命周期中哪些因素决定效用
SkillOpt: Executive Strategy for Self-Evolving Agent Skills	https://arxiv.org/abs/2605.23904	把单个技能文档当作可训练状态，用受控文本编辑和验证门优化技能
MUSE-Autoskill: Self-Evolving Agents via Skill Creation, Memory, Management, and Evaluation	https://arxiv.org/abs/2605.27366	提出围绕技能创建、记忆、管理、评估和精炼的完整智能体框架

这四篇论文并不是在做同一件事。

• MemSkill 主要研究“记忆技能”如何替代手写记忆操作；
• From Raw Experience to Skill Consumption 主要研究“模型生成技能”在经验生成、技能抽取和技能消费三阶段为什么有时有效、有时反而伤害性能；
• SkillOpt 研究如何把一个技能文档像参数一样训练；
• MUSE-Autoskill 研究如何把技能变成智能体系统中的长期资产，并围绕它建立创建、测试、记忆和管理机制。

这组论文可以看作对同一条技术路线的四个切面：智能体不只靠更强的基础模型，也可以靠外部技能来积累经验。这里的“技能”不是传统强化学习里的隐式策略，也不只是提示词模板，而是可读、可迁移、可测试的过程性知识文档，可能包含操作步骤、约束、失败模式、工具使用规则、脚本、测试和记忆。

读完本文后应能理解三个问题：

1. 技能为什么成为智能体自我改进的候选单位；
2. 不同论文分别在“技能从哪里来、怎样被使用、怎样变好”上给出了什么答案；
3. 当前证据支持哪些结论，又有哪些结论还不能下得太满。

研究背景与宏观挑战

大模型智能体通常要在长上下文、多轮工具调用、文件系统、网页搜索、代码执行或具身环境中完成任务。模型本身的参数不一定能频繁更新，任务环境也常常有很强的局部规则：某个电子表格任务要求保留格式，某个代码任务要求遵守仓库约定，某个长对话问答任务要求记住人物关系和时间线。把这些经验全部塞进一次提示词并不稳定，也不利于跨任务复用。

因此，这些论文都把技能理解为一种外部适配层。技能可以在推理时加载，不需要改模型权重；可以从执行轨迹中提炼；可以被测试、修订和迁移；也可以形成技能库。这个方向的核心吸引力在于：让智能体把过去的成功和失败转化成下一次可用的操作知识。

但四篇论文也共同指出一个难点：技能不是写得像“好建议”就一定有用。一个技能可能语言流畅、结构漂亮，却没有真正改变模型在任务中的行为；也可能在一个目标模型上有帮助，迁移到另一个模型后造成负迁移。技能系统必须回答三个更严格的问题：技能是否来自可靠经验，是否能被目标智能体消费，是否经过独立反馈验证。

论文出发点与核心目标

论文标题	切入点与动机	核心研究目标	核心假设或理论基础
MemSkill: Learning and Evolving Memory Skills for Self-Evolving Agents	现有智能体记忆系统常依赖固定的 add/update/delete/skip 等手写操作，难以适应不同交互模式和长历史	将记忆构建操作重构为可选择、可组合、可演化的记忆技能，并通过闭环训练改进技能选择器和技能库	记忆构建可以被看作对交互片段应用一组可复用技能；任务反馈可用于学习技能选择，困难样例可用于演化技能
From Raw Experience to Skill Consumption: A Systematic Study of Model-Generated Agent Skills	自动抽取技能的方法越来越多，但缺少覆盖经验生成、技能抽取、技能消费全生命周期的系统评估	建立效用导向的评估框架，回答模型生成的领域级技能何时有用、何时负迁移、哪些技能特征真正预测效用	技能质量应由下游性能增益衡量，而不是文本表面质量；抽取器能力和目标模型消费能力是不同变量
SkillOpt: Executive Strategy for Self-Evolving Agent Skills	手写技能、一次性生成技能和松散自我修订都缺少类似优化器的稳定训练机制	把技能文档作为冻结智能体的外部可训练状态，通过有界编辑、验证门和拒绝编辑记忆来优化技能	技能文档可类比为参数；轨迹反馈可类比为梯度方向；文本编辑预算可类比为学习率；验证集可阻止有害更新
MUSE-Autoskill: Self-Evolving Agents via Skill Creation, Memory, Management, and Evaluation	现有技能方法常把技能当作孤立静态产物，缺少长期复用、测试、管理和跨智能体迁移机制	构建以技能为中心的智能体框架，统一技能创建、执行、记忆、管理、评估和精炼	技能应是长期、可测试、带记忆的资产；成功轨迹可以被蒸馏为可复用技能包，并被其他智能体使用

关键图表怎么读

四篇论文的图表都服务于一个共同问题：技能到底是“提示词装饰”，还是能被训练、评估和复用的工程对象。

MemSkill

Figure 2. MemSkill architecture overview. Given an interaction trace, MemSkill processes it span by span: the controller selects a Top-K subset of skills from a shared skill bank conditioned on the current text span and retrieved memories, and an LLM executor applies the selected skills in one pass to update the trace-specific memory bank. The constructed memory is then evaluated on memory-dependent training queries to provide task reward for optimizing the controller, while query-centric failures are logged into a sliding hard-case buffer. Periodically, the designer mines representative hard cases to refine existing skills and propose new ones, yielding alternating phases of skill usage and skill evolution.

MemSkill 的架构图展示了从交互轨迹到记忆库更新的闭环。读图时应从左到右看：左侧是多条交互轨迹，中间是“学习使用记忆技能”的控制器与执行器，右上是共享的技能库，右侧是根据困难样例演化技能的设计器。图中最关键的箭头不是单次 LLM 调用，而是底部的 closed-loop optimization：任务奖励会反过来优化控制器，困难样例会进入 hard case buffer，再推动技能库修订。它支持的结论是：MemSkill 把记忆构建拆成“选技能、用技能、再改技能”的闭环；它不单独证明该方法在所有记忆任务上都更优。

Figure 1 Overview of our study design. We evaluate the full trajectory-to-skill lifecycle across three stages: experience generation, skill extraction, and skill consumption.

From Raw Experience to Skill Consumption

From Raw Experience to Skill Consumption 的总览图把技能生命周期分成三段：经验生成、技能抽取、技能消费。上半部分展示目标模型先在任务中产生成功和失败轨迹，抽取器再把轨迹压缩成领域级技能，最后目标模型带着技能在测试任务中运行。下半部分对应论文的三组诊断：经验池中成功/失败比例会影响技能质量；技能文本的表面格式和“看起来合理”并不能可靠预测效用；同一个技能被不同目标模型消费时，收益可能差异很大。要注意，它强调的是效用审计框架，而不是一个新的技能生成器。

Figure 5 Effect of meta-skill guidance on downstream skill utility. The plausibility rubric hurts most times, while the validated rubric improves all the generated skills compared with original skill.

这张图对应原论文从“诊断”走向“干预”的部分。论文先发现，仅凭文本表面判断技能好坏并不可靠：一个技能看起来清晰、完整、格式好，不代表它能提高目标智能体的下游表现。于是作者比较两类抽取提示：橙色方块是朴素的 plausibility rubric，即让抽取器追求清晰、完整、简洁、逻辑结构、格式、语气和通用性；蓝色圆点是 validated rubric，即作者从高效用差距技能对中自动归纳、再用配对评估验证出的三项准则：失败机制编码、可执行的具体性、高风险动作黑名单。图中的虚线表示原始未引导技能的表现，点相对虚线向右表示加入该 rubric 后性能提升。原论文的总结是：plausibility rubric 平均降低性能约 0.59 个百分点，并在 9 个单元中的 6 个造成下降；validated rubric 则在 9 个单元中全部提升，平均提升约 1.55 个百分点，SpreadsheetBench 上的提升最大，达到 +2.3 到 +3.7 个百分点。因此，这张图真正支持的不是“格式不重要”这样宽泛的结论，而是：技能抽取提示应围绕实际效用信号设计，把失败原因、可执行修复步骤和危险操作边界写进技能，比追求表面可读性更能稳定改善下游表现。

SkillOpt

Figure 2 Pipeline of SkillOpt. A frozen target model executes a rollout batch with the current skill; an optimizer model performs minibatch reflection over successes and failures, proposes bounded add/delete/replace edits, merges and ranks them under a scheduled edit budget, and accepts the candidate skill only through a held-out validation gate. Across epochs, the slow/meta update retains longer-horizon lessons without changing the target model.

SkillOpt 的流程图展示了技能文档如何被当作外部可训练状态。

左侧的数据集被拆成训练、验证和测试三部分；冻结目标智能体用当前技能产生 rollout batch；优化器模型在小批量轨迹上提出 add/delete/replace 编辑；候选技能必须通过 validation gate 才会成为新的当前技能或 best_skill.md。

红色虚线表示被拒绝的编辑并不会消失，而是进入 rejected-edit buffer，作为后续优化的负反馈。

图中下半部分的 epoch-wise slow/meta update 说明，SkillOpt 还会跨 epoch 总结稳定成功、持续失败和回归样例。它支持的结论是：SkillOpt 的核心不是“让 LLM 自我反思一下”，而是把技能更新约束成有编辑预算、有验证门、有拒绝记忆的训练过程。

MUSE-Autoskill

Figure 3 End-to-end flow of MUSE-Autoskill. The Master Agent runs a ReAct loop; when a skill is needed it either retrieves one from the Skill Bank or dispatches the Skill Creator to synthesize a new package (SKILL.md plus optional scripts/ and tests/). The Evaluator runs the bundled tests; on pass, observations are appended to Memory and surfaced on later steps; on fail, the Refiner patches the package and re-enters the loop.

MUSE-Autoskill 的端到端图把技能放进智能体运行时系统。

• 上方主智能体按 Plan、Action、Observation 循环解决任务；中间的技能库负责检索已有技能；左下的 Skill Creator 在需要新能力时生成 SKILL.md、scripts、tests 和 resources；右侧 Evaluator 用测试决定技能是否可注册；
• 下方 Refiner 在失败时修补技能；右下角 Memory 记录短期、长期和技能级经验。读图时要抓住“测试门控”和“技能级记忆”两个机制：技能不是一次性文本，而是可以被创建、执行、测试、修补、带着经验继续复用的资产。

(A) Reward vs. Latency	(B) Reward vs. Tokens

Figure 5 Generated skills are Pareto-optimal: higher reward, lower latency, and fewer tokens than human skills (mean over 35 tasks where MUSE-Autoskill generated a skill, 5 runs per task). (A) Mean reward vs. median per-task latency. (B) Mean reward vs. median per-task tokens. Both panels show MUSE-Autoskill (blue) using its own generated skills and Hermes (teal) using those same MUSE-generated skills with no modification. Open circle = without skills; light fill = with human skills (reference); solid fill = with MUSE-generated skills (ours). Arrows show the shift from without skills to with MUSE-generated skill for each agent; the inline label gives (∆reward · ∆cost).

这组成本-收益子图只覆盖 MUSE-Autoskill 成功生成技能的 35 个任务。A 图的横轴是每任务中位延迟，B 图的横轴是每任务中位 token 数，纵轴都是平均 reward；实心点表示使用 MUSE 自生成技能后的状态。MUSE-Autoskill 自身从无技能到自生成技能，平均 reward 上升 11.0 个百分点，同时中位延迟下降 273 秒；Hermes 使用同一批 MUSE 生成技能后，平均 reward 上升 15.3 个百分点，同时中位延迟下降 113 秒。它说明在这些任务上，技能不是简单增加提示长度，而是可能把临场探索替换成更直接的过程。但这组图不能说明全部 51 个任务都如此，因为没有成功生成技能的任务没有进入该图。

核心思路与技术路线

MemSkill：把记忆操作变成可演化技能

Comparison between (a) prior turn-level, handcrafted operations and (b) MemSkill’s span-level, skill-conditioned generation. Prior methods interleave handcrafted operations with LLM calls to incrementally extract and revise memory turn by turn, while MemSkill selects a small set of skills from a shared skill bank and applies them in one pass to produce skill-guided memories.

MemSkill 针对的是智能体记忆构建。传统记忆系统通常按轮次处理对话，并用固定操作更新记忆库，例如新增、更新、删除或跳过。论文认为这种手写流程把人类先验写死在系统里，在长交互和分布变化下容易僵硬。

它的核心设计是把记忆更新从固定操作改成“技能条件化生成”。系统先把长交互切成文本片段，再由控制器根据当前片段和已检索记忆选择一小组相关技能。技能不是简单标签，而是包含目的、适用条件、应用方式和约束的结构化指导。执行器随后让大模型在这些技能指导下一次性生成记忆更新。

控制器不是固定动作头，而是对“当前状态-候选技能”配对打分，因此可以适配不断变化的技能库。训练上，论文用下游任务表现作为奖励，优化控制器的 Top-K 技能选择策略。技能库本身也会演化：系统记录近期失败的困难样例，对样例聚类，筛选代表性失败，再由 LLM 设计器分析缺失或错误的记忆行为，修订旧技能或新增技能。若更新导致表现退化，系统保留回滚机制。

实验覆盖 LoCoMo、LongMemEval、HotpotQA 和 ALFWorld。论文报告 MemSkill 在长对话记忆和具身交互任务上相对多种记忆基线取得更好表现。尤其在 LoCoMo 上，MemSkill 的 LLM-judge 分数高于 MemoryOS、A-MEM 等基线；在 ALFWorld 上也报告了更高成功率和更少环境步数。论文还把在 LoCoMo 学到的技能迁移到 LongMemEval 和 HotpotQA，作为跨数据集或输入形式变化下的泛化证据。消融实验显示，去掉控制器或去掉设计器都会降低 LoCoMo 表现，说明“会选技能”和“会演化技能库”都在该设定中有贡献。

这篇论文的价值在于把“记忆系统应该存什么”从手写规则转向数据驱动的技能演化。它的边界也很清楚：准备阶段需要训练控制器、调用设计器并依赖任务反馈；论文主要在基准环境中验证，实际长期部署中的技能漂移、安全审计和跨域技能干扰仍需要进一步评估。

From Raw Experience to Skill Consumption：技能生命周期的效用审计

这篇论文不是提出一个单一系统，而是把模型生成技能拆成三阶段：目标模型产生经验轨迹，抽取器从轨迹中抽取领域级技能，目标模型在测试任务中消费这些技能。论文用下游性能变化来定义技能效用，并引入两个指标：Extraction Efficacy 衡量固定抽取器在不同目标模型上生成有用技能的能力；Target Evolvability 衡量固定目标模型从不同抽取器生成的技能中获益的能力。

论文的评估覆盖五类任务域：ALFWorld、SpreadsheetBench、SWE-bench-Verified、SEAL-0 和 BFCL-v4，并系统变化抽取器和目标模型。主结果显示，模型生成的领域级技能平均有帮助，但并不可靠：约 75% 的评估项提升，约 25% 出现负迁移。负迁移还具有域差异，论文报告 ALFWorld 更脆弱，而 SpreadsheetBench 和 SWE-bench-Verified 的负迁移率较低。

论文进一步拆解三个生命周期阶段。

• 经验生成阶段，成功和失败轨迹的比例会显著影响技能质量。纯失败轨迹通常最差，但最佳成功-失败比例依任务域而变：电子表格任务更依赖成功流程，具身任务中的失败轨迹则能暴露无效动作和死路状态。
• 技能抽取阶段，论文发现格式和文本表面可信度都不能可靠预测技能效用。一个 LLM 仅凭文本判断哪项技能更好时，整体准确率接近随机；在差距较大的技能对上甚至会偏向看起来更流畅但实际更差的技能。
• 技能消费阶段，同一技能在不同目标模型上的效果差异很大，说明“能否从技能中获益”本身是目标模型的属性。

最有实践意义的是论文从高差距技能对中总结出三类真正更接近效用的维度：失败机制编码、可执行的具体性、高风险动作黑名单。把这些维度写成元技能加入抽取器提示后，论文报告生成技能质量在九个测试单元中均提升，而普通的“清晰、完整、简洁、格式好”等可读性准则反而经常伤害性能。

这篇论文对其他三篇形成了重要约束：不能因为技能由模型自动生成、看起来结构完整或平均提升，就认定它可靠。技能评估必须落到目标模型、任务域和独立测试性能上。

SkillOpt：把技能文档当作可训练状态

Figure 1 Overview of SkillOpt. The target model executes tasks with a current skill, an additional
frontier optimizer model converts trajectories into bounded add/delete/replace skill edits, and a held-out gate accepts only edits that improve validation performance. Accepted edits are exported as a reusable skill artifact, while rejected edits become negative feedback for later updates.

SkillOpt 关注的问题比“如何生成技能”更进一步：如果技能已经存在，怎样稳定地把它优化得更好。论文把技能定义为插入智能体上下文的自然语言策略，把目标模型固定住，只训练外部技能文档。优化过程使用训练集产生轨迹证据，用选择集决定是否接受编辑，用测试集报告最终性能。

它的关键类比是深度学习优化。轨迹反馈相当于编辑方向，文本编辑预算相当于学习率，验证门相当于模型选择，拒绝编辑缓存相当于负反馈记忆，epoch 级慢更新相当于跨批次的稳定方向。优化器模型先从成功和失败轨迹中反思，提出 add/delete/replace 等结构化编辑；再合并、去重、排序，并按编辑预算截断。候选技能只有在选择集分数严格优于当前技能时才被接受，否则进入拒绝编辑缓存，供后续优化避免重复错误。

论文还强调部署侧的简洁性：最终导出的是一个紧凑的 best_skill.md，目标模型和执行环境都不改。训练时的元技能和慢更新主要服务于优化器，不一定作为部署产物暴露给目标模型。这种分离让 SkillOpt 更像离线训练一个可迁移的技能资产，而不是在推理时增加复杂调用链。

实验覆盖 SearchQA、SpreadsheetBench、OfficeQA、DocVQA、LiveMathematicianBench 和 ALFWorld，目标模型包括多种 GPT 与 Qwen 变体，并测试 direct chat、Codex harness 和 Claude Code harness。论文报告 SkillOpt 在 52 个评估单元中最好或并列最好；在 GPT-5.5 direct chat 上，相对无技能平均提升 +23.5 个百分点；在 Codex 和 Claude Code harness 上分别提升 +24.8 和 +19.1 个百分点。消融结果支持几个设计选择：足够的轨迹证据、有界文本学习率、验证门、拒绝编辑缓存和慢/元更新都有助于稳定训练。

这篇论文的核心贡献是把“技能自我改进”从宽泛的反思改写成可控优化。它的限制也由此而来：它依赖可评分轨迹和 held-out 选择集，更适合有自动验证器、精确指标或可执行检查的任务；对于开放式、主观、多目标任务，验证门需要更可靠的人类或模型评审。它还优化单个技能文档，不直接解决大规模技能库中的选择、组合和冲突问题。

MUSE-Autoskill：把技能做成长期资产

MUSE-Autoskill 的视角最系统工程化。它把智能体执行任务的循环分为 planning、action 和 observation，并把技能作为行动阶段的核心调用单位。系统中只有少量内置技能，例如 skill_create 和 web_search；其他能力需要通过技能创建机制生成，并在通过测试后注册进技能库。

每个技能是结构化包，至少包含 SKILL.md，也可以包含 scripts、tests 和 resources。技能创建不是写完就用，而是经过测试门控：生成技能包后运行 tests 目录中的单元测试，通过才进入技能库；失败则调用更新流程修补后重试。技能执行时，智能体读取技能目录和接口说明，决定读资源、运行脚本或组合执行。

MUSE-Autoskill 还引入技能级记忆。每个技能可以携带自己的 .memory.md，记录跨任务积累的经验、已知失败模式、输入格式注意事项和性能 caveat。与短期任务上下文和长期全局记忆相比，技能级记忆的粒度更细，直接绑定到某个可复用能力。技能管理则包括索引、检索、合并、剪枝和失败后的精炼，目标是让技能库长期保持紧凑和可靠。

实验使用 SkillsBench 的 51 个任务，比较 Codex、Hermes 和 MUSE-Autoskill 在无技能与人类技能条件下的表现。论文报告三种智能体都从人类技能中获得 13 到 15 个百分点的准确率提升，其中 MUSE-Autoskill 在有技能条件下达到 68.40%。自动技能生成实验中，MUSE-Autoskill 在 35/51 个任务上成功生成技能；按全部 51 个任务计，自生成技能把准确率从 53.19% 提升到 60.35%，而在成功生成技能的 35 个任务上，Phase 2 准确率达到 87.94%。跨智能体迁移实验把 MUSE-Autoskill 生成的技能交给 Hermes 使用，Hermes 从 47.89% 提升到 58.40%，接近 MUSE-Autoskill 使用同一批技能时的 60.35%。

这篇论文的贡献是把技能从“单次提示增强”推进为“可测试、可存储、可管理、可带记忆的资产”。其边界也需要保守理解：实验只覆盖 SkillsBench 94 个任务中的 51 个；自生成技能只在 68.6% 任务上成功；许多自生成技能来自同一任务的一条成功轨迹，再回到同一任务评估，可能高估了任务内收益；跨智能体迁移只验证了 MUSE-Autoskill 到 Hermes 的方向。

综合对比分析与思考

四篇论文都把技能看成外部过程性知识，但它们处理的是不同层级。

• MemSkill 处理的是智能体内部的记忆构建策略。它关心的是“面对当前交互片段，应该用哪些记忆技能来抽取和更新记忆”。技能在这里更像记忆操作的可演化抽象。
• From Raw Experience to Skill Consumption 处理的是评估科学。它不急于提出一个更强系统，而是问“自动生成技能到底什么时候有用”。它给其他方法加上了一个重要警告：技能效用必须通过下游表现验证，不能靠文本观感判断。
• SkillOpt 处理的是单个技能文档的优化。它把技能当作可训练状态，用轨迹、编辑、验证门和拒绝缓存形成稳定更新。它的假设是：如果任务有可验证反馈，技能可以被像模型参数一样迭代改进。
• MUSE-Autoskill 处理的是技能生态。它关心技能如何被创建、测试、管理、调用、带记忆、跨智能体迁移。它的单位不是单条记忆更新或单个优化循环，而是长期运行的技能库和技能生命周期。

他们可以自然拼成一条更完整的路线。

• MUSE-Autoskill 提供技能系统的外壳：技能包、测试、技能库、技能级记忆和管理机制。
• From Raw Experience to Skill Consumption 提供评估原则：不要信表面文本，要用下游效用、负迁移率和目标模型消费能力审计技能。
• SkillOpt 提供单技能训练器：当某个技能有明确任务反馈时，用有界编辑和验证门优化它。
• MemSkill 提供一种特殊但重要的技能类型：用于长交互中记忆抽取和更新的记忆技能。

换句话说，如果要构建一个更成熟的技能型智能体系统，MUSE-Autoskill 可以承担技能生命周期管理，SkillOpt 可以作为技能优化后端，MemSkill 可以负责记忆构建层面的技能学习，而 From Raw Experience to Skill Consumption 的指标和元技能准则可以作为整个系统的评估与抽取审计标准。

优缺点及适用场景

论文标题	优势	局限	更适合的场景
MemSkill: Learning and Evolving Memory Skills for Self-Evolving Agents	把记忆更新从手写操作变成可选择、可演化技能；在长对话和具身任务中报告了较强结果；有控制器和设计器消融	需要训练控制器和任务反馈；实际部署中的安全、漂移和技能库干扰尚未充分展开	长对话记忆、具身交互、需要持续更新外部记忆的智能体
From Raw Experience to Skill Consumption: A Systematic Study of Model-Generated Agent Skills	提供生命周期级评估；揭示负迁移和表面文本不可预测效用；给出效用相关元技能维度	采用单个领域级技能和较简化抽取框架，覆盖性让位于可解释控制	评估自动技能生成方法、选择抽取器、设计技能质量准则
SkillOpt: Executive Strategy for Self-Evolving Agent Skills	把技能优化变成可控训练流程；验证门和有界编辑降低无条件自改风险；跨模型和跨 harness 有迁移实验	依赖可评分反馈和选择集；优化单技能而非大规模技能库；训练成本需靠复用摊销	有自动验证器或清晰评分的任务，如表格、代码、文档处理、问答和数学
MUSE-Autoskill: Self-Evolving Agents via Skill Creation, Memory, Management, and Evaluation	技能包、测试、记忆、管理和精炼构成完整生命周期；强调技能级记忆和跨智能体迁移	覆盖任务子集有限；技能生成覆盖率仍是瓶颈；自生成技能的同任务评估可能偏乐观	需要长期维护技能库、复用脚本与过程、跨任务积累经验的智能体平台

演进趋势

在这些材料支持的范围内，可以看到一个从“技能作为提示”到“技能作为训练对象和系统资产”的趋势。早期视角更容易把技能看作一次性写入上下文的说明；这四篇论文则把技能推进到三个更强的位置。

• 技能开始承担经验压缩功能。无论是从成功轨迹提炼操作流程，还是从失败轨迹提炼高风险动作黑名单，技能都在把一次性的执行历史转化成可复用知识。
• 技能开始接受反馈驱动的改进。MemSkill 用任务奖励训练选择器并用困难样例演化技能库；SkillOpt 用验证门接受或拒绝编辑；MUSE-Autoskill 用单元测试和运行反馈修补技能包。
• 技能开始变成可治理资产。MUSE-Autoskill 强调测试、索引、合并、剪枝和技能级记忆；From Raw Experience to Skill Consumption 强调效用审计和负迁移风险。这意味着技能库越大，越需要工程化管理，而不是让模型无限生成“看起来合理”的文档。

潜在的疑问

1. 一个核心疑问是技能泛化边界。四篇论文都提供了某种迁移或泛化证据，但范围仍受限。MemSkill 的跨数据集迁移主要在记忆相关任务中；SkillOpt 的跨模型、跨 harness 和邻近基准迁移仍围绕有明确评分的任务；MUSE-Autoskill 的跨智能体迁移只验证了一个方向；From Raw Experience to Skill Consumption 则明确显示同一技能可能对不同目标模型产生不同效果。
2. 第二个疑问是技能库规模化后的选择和干扰。单个技能或小技能集容易解释，但当技能库包含大量细粒度技能时，如何检索、组合、去冲突、过期处理和安全审计，会成为一等问题。MUSE-Autoskill 讨论了合并和剪枝，MemSkill 讨论了 Top-K 选择，但材料还不足以证明大规模技能库可以稳定长期增长。
3. 第三个疑问是开放式任务的验证。SkillOpt 的验证门很有力，但前提是有可靠评分。MUSE-Autoskill 的单元测试也更适合可执行技能。对于写作、咨询、开放研究、产品设计等任务，什么反馈信号足够可靠，仍未由这些材料解决。
4. 第四个疑问是安全与偏差。技能能把经验固化下来，也可能把错误捷径、偏见或危险操作固化下来。From Raw Experience to Skill Consumption 已经显示负迁移普遍存在；更强的技能抽取和优化系统如果缺少安全审计，也可能更快地传播不良行为模式。

材料中得到的结论

这些论文共同支持的谨慎结论是：在所给实验设置中，技能可以作为智能体外部适配层显著改善若干任务表现；技能质量需要由下游效用验证；反馈、测试、验证门和技能级记忆能让技能更像可维护资产，而不只是提示词。

但材料还不支持以下强结论。

• 不能说“模型生成技能总是有效”。这个限制主要来自 From Raw Experience to Skill Consumption 的主实验：该论文在 ALFWorld、SpreadsheetBench、SWE-bench-Verified、SEAL-0 和 BFCL-v4 上交叉改变抽取器与目标模型，报告约 25% 的抽取器-目标组合出现负迁移，且 ALFWorld 更脆弱。
• 不能说“更强模型一定是更好的技能抽取器”。这个判断也来自 From Raw Experience to Skill Consumption 的 Extraction Efficacy / Target Evolvability 分析：论文显示抽取器的任务执行能力、模型规模和生成技能后的下游效用并不简单一致，例如强目标模型不必然是最好的抽取器。
• 不能说“文本看起来更清晰的技能更好”。这个限制来自 From Raw Experience to Skill Consumption 的技能抽取诊断实验：论文用技能文本配对判断、格式改写和 meta-skill 引导实验说明，表面 plausibility rubric 不能可靠预测效用，甚至在 Figure 5 中平均伤害性能；真正更有效的是 validated rubric。
• 不能说“单技能优化足以替代技能库管理”。这个边界来自 SkillOpt 和 MUSE-Autoskill 的实验对象差异：SkillOpt 的 52 个评估单元证明的是单个 best_skill.md 在有验证反馈时可被稳定优化；MUSE-Autoskill 的 SkillsBench 实验则处理技能创建、测试、注册、记忆、精炼和跨智能体迁移。二者支持的是互补关系，而不是单技能优化可以覆盖完整生命周期管理。

更稳妥的判断是，技能型智能体正在从“写提示”走向“管理可验证的过程性知识”。这条路线的关键不在于让模型多生成一些说明，而在于把经验来源、技能抽取、消费模型、反馈验证、失败记忆和长期治理连成闭环。四篇论文分别证明了闭环中的不同环节可行，但完整系统的可靠性仍取决于这些环节能否在真实、多变、开放的任务环境中同时成立。