知识库 / 技能管理

技能管理概览

冻结 LLM 靠外部技能库做终身学习：Voyager 奠基，AutoSkill / MUSE 做抽取与全生命周期，SkillOS 学策展，Ratchet 用 hygiene 防漂移。

中文 更新于

Overview

开放世界里的 LLM agent 若只做单次规划，跨任务知识无法沉淀。一条持续出现的路线是：权重冻结，把可复用行为外置为技能库，再在检索与治理上下功夫。本主题按问题组织五篇来源的增量：库如何长出来、技能长什么样、谁来策展、库如何不漂坏、以及如何把创建—记忆—评估收成统一生命周期。

五条演进线

  1. Voyager（奠基）：Minecraft 上的终身探索 agent。automatic curriculum + 可执行代码 skill library + iterative prompting（环境反馈 / 执行错误 / self-verification）。160 次 iteration 内发现 63 个独特物品，约为对照的 3.3 倍；路程约 2.3 倍；木制节点约快 15.3 倍。库默认可增长，几乎不做 outcome-driven 退役。
  2. AutoSkill（抽取与版本）：从对话轨迹抽象 SKILL.md，模型无关 plug-in；online hybrid 检索注入，异步 judge 做 add / merge / discard 与 versioned merge。WildChat-1M（>8 turns）四子集共 N=1858 技能；English GPT-3.5 子集 10,243 对话 / 631 skills；案例 professional_text_rewrite 至版本 0.1.34。勿与下方 MUSE-Autoskill 混淆。
  3. MUSE-Autoskill（全生命周期 + 迁移）：ByteDance 的训练无关框架，五阶段 creation / memory / management / evaluation / refinement；运行时 skill_create、.memory.md skill-level memory、单测门控注册。SkillsBench 75-task 上人写技能 59.67%（+12.72pp），自建 all-75 53.42%（+6.47pp），覆盖子集 85.24%（同子集人写 81.17%）；自建技能转入 Hermes 达 51.90%。详见 MUSE-Autoskill。
  4. SkillOS（学策展）：冻结 executor + 可训练 curator，对外部 SkillRepo 做 RL（GRPO）；用 grouped task streams 与 composite rewards 归因延迟反馈。ALFWorld 上相对 ReasoningBank，Qwen3-8B executor 的平均 SR 从 55.7 到 61.2；同一 curator 可泛化到更强 executor（如 Gemini-2.5-Pro 从 66.4 到 80.2）。
  5. Ratchet（hygiene / librarian）：重述 SkillsBench 原文：人写技能 +16.2pp，LLM 自写 +0.0pp，瓶颈在生命周期而非写作。四类机制——pattern canonicalisation、outcome-driven retirement、bounded active-cap、meta-skill authoring prior。MBPP+ hard-100 上 rolling-mean gain +0.328，late-window 0.584（peak 0.658）；SWE-bench Verified 有 +0.22 peak lift。消融显示 retirement 与 meta-skill 承重，显式去重可被 meta-skill 吸收。

共同主张与分歧

共同主张：能力增长可以发生在外部技能资产上，而不必更新权重。分歧在于「谁写技能、谁管库、反馈从哪来」——启发式 merge（AutoSkill）、完整 lifecycle + 单测（MUSE）、RL 策展（SkillOS）、还是冻结作者加 hygiene 规则（Ratchet）。Voyager 证明库有用；后四者分别补抽取标准、运行时生命周期、策展学习与防漂移。

Status: Disputed（SkillsBench 上「LLM 自写技能」是否无效） Ratchet 以 SkillsBench 原论文的人写 +16.2pp / LLM 自写 +0.0pp 定调瓶颈在 librarian。MUSE-Autoskill 在 GPT-5.5 四 agent 设定下报告自建技能仍有 all-75 增益（+6.47pp），覆盖子集甚至超过人写；但 all-75 自建仍低于人写，且未覆盖任务计 0。争议应读作协议与系统栈差异，而非单一分数对决；细节见 MUSE-Autoskill 与 技能生命周期。

See Also