SkillGLoW 在长时程流上将技能复用限制于程序性技能族

SkillGLoW 从早期技能库继承的粒度问题

早期工作已经确立，智能体技能是一种在推理时加载的外部程序性记忆层，而真正的难点不在于编写技能，而在于组织技能[2]。SkillZip将这一问题框定为复用粒度失配：暴露整个技能包过于粗糙，而文本摘要则可能隐藏验证器或丢弃输入契约，因此它转向了具有显式契约的段落级程序子图[2]。SkillGLoW在不同层面上针对同一失配问题，主张可复用单元既不是整个文档，也不是单个任务条目，而是由一组任务家族共享的程序[1]。其诊断是：单一全局文档假设存在一种主导程序，而逐任务库则假设旧条目可以被整体复用，在异构长时程流上，这两种假设会同时失效[1]。

这一诊断的实证基础是在同一协议下运行的一组对照实验。在LMB的15任务验证集上，一个存储所有局部技能的扁平技能库以53个条目达到了0.333的软分数，而一个家族技能库以22个条目达到了0.467，与规模为其2.4倍的扁平技能库相当[1]。论文还报告称，合并后的文档产生的是模型已经内化的一般性学科规范，其中一个调试家族先验明确指岀其两个任务仅共享一般性工程学科规范[1]。这是对文档形式为何失败的一种解释，其依据是压缩器自身的合并注释，而非独立标注。

程序族整合如何运作，以及提交门实际守护什么

SkillGLoW将每个任务的局部经验封装为技能卡，使用四种文本视图按流程而非主题对技能卡进行聚类，其中抽象签名权重最高，并将每个族压缩为一个候选先验，仅保留适用条件、核心求解流程和常见失败模式[1]。实例细节被过滤掉，并由Localize模块按任务重新生成，该模块仅依赖当前任务自身的执行反馈，且从不写回技能库[1]。准入由基于验证器的门控决定：只有当候选修订在任务集上的实测执行价值至少达到锚点减去epsilon时，才会被提交，其中锚点为现有技能库的价值与无技能基线中较大者，并以上一轮的最佳测量值作为下限[1]。

门控是将此方法与那些在单一领域内依据留出性能就允许编辑的提示优化方法区分开来的机制[1]。它同时也是限制该主张的约束条件：准入取决于带有验证器的真实执行，因此该方法预设了一个能够对任务进行评分的测试框架，而论文并未展示在没有此类框架的情况下进行开放域部署[1]。送入同一门控的三条候选路径包括仅追加式修复，其净效应在不同模型间正负翻转——DeepSeek上提升3.1，GPT上下降3.4，MiniMax-M3上提升4.8——这正是作者通过测量而非固定优先级顺序来裁决它的原因[1]。

SkillGLoW相较于Recuris、SCAFFOLD和SkillZip处于何种位置

Recuris在框架构建上是最接近的前驱：它将记忆控制层而非权重视为冻结智能体的可训练表面，维护一个经过验证的工作状态作为技能调用的基础，并发出连接状态、调用技能、动作和结果的结构化轨迹[3]。其故障定位实验表明了结构为何重要：仅给出结果时宏观准确率为13.0%，给出结构化轨迹后升至64.8%；没有轨迹时调用故障被命名的次数为零，有轨迹时为38.9%[3]。SkillGLoW同样坚持基于执行的门控准入，但在演化对象上有所不同：Recuris在固定验证门控之后修补记忆组件，而SkillGLoW每轮从该轮的局部证据重新推导全局层，且不保留效用评分器[1][3]。

SCAFFOLD对收益来源给出了最有力的竞争性解释。其消融实验将最大的单项性能下降——WebArena上8.0分——归因于移除向基础策略的蒸馏，将6.3分归因于移除递归组合，而MDL压缩在保持库有界的同时贡献了适度的3.1分[8]。这一排序直接挑战了纯提示层面的技能库：SCAFFOLD的作者认为，仅基于提示的技能库无论结构多么良好，都从根本上受限于冻结的基础策略[8]。SkillGLoW未测试蒸馏，因此其17.2分的增益仅可归因于组织与准入机制，而现有证据并未将这两种解释区分开来[1][8]。SkillZip则介于两者之间，作为一种压缩层替代方案，通过可逆宏与按需水合来保留操作到验证器的路径及依赖关系[2]。

迁移至未见任务，以及程序记忆与任务记忆的区别

迁移证据是这篇论文最有力的论据，说明被巩固下来的是程序而非任务记忆。将训练流生成的库原封不动地注入60个未见过的ALFWorld任务中，三个模型的平均成功率从73.9%提升至83.9%，其中基线最高的模型增益最小，符合天花板效应[1]。在软件修复任务上，同一个库将MiniMax-M3在30个未见实例上的解决率从40.0%提升至45.6%（三次试验的均值），而这一工作负载本应是迁移最困难的场景，因为每个实例都来自不同的代码仓库[1]。论文将此与另一项报告的结果进行对比：在汇集异构领域而非留出单一基准实例的设置中，跨领域记忆迁移的平均增益为3.7%[1]。

家族结构本身在设计上就比数据集的分类体系更为细粒度。在ALFWorld上，聚类产生了K=15个家族，而规范任务类型为6种，纯度为0.950，ARI为0.605，这一差距源于过度分割而非类型混合；移除5个单例家族后，剩余35个任务的纯度为0.943 [1]。有两个家族沿共享流程横跨目标分类体系，例如一个鸡蛋先冷却再放入微波炉，以及一个鸡蛋先加热再放入冰箱，其中电器和容器互换，但程序骨架完全相同 [1]。终端映射在另一方向上显示出同样的选择性：九次修复对一次从通过到失败，以及一个字节扫描先验仅修复了那两个实际通过扫描原始字节解决的任务，而另外三个则未被触及 [1]。

结论止步之处：验证器依赖、规模与未经检验的继承

所述边界是明确的：结论仅限于四个基准和三个模型，提交门控依赖于真实执行，且未证明可在通用开放域中长期部署[1]。迁移已在任务类别重复出现的情况下得到展示，而先验能否在真正的领域变更后存续仍是未决问题，跨模型库继承同样如此，因为先验是纯文本，但此类交接尚未经过测试[1]。库规模的论断同样受限于族结构而非流本身，因此3.6倍的压缩比反映的是在这四个流上发现了多少不同的过程，而非一条普遍规律[1]。

独立证据使这一边界更加清晰，而非将其消解。SkillFlow在11个模型变体和四种智能体框架上评估终身技能发现，发现收益是选择性的而非普遍性的：较强的技术栈能将经验转化为紧凑的可复用流程，而较弱的技术栈则表现出创建—复用协调缺口和碎片化的技能库；该工作将失败刻画为技能膨胀导致的碎片化，而非技能稀缺[7]。在约一百万个不同技能规模上的技能检索工作发现，仅靠检索无法解决可扩展增强问题，因为智能体仍然无法识别何时需要外部帮助，以及哪些检索到的技能值得加载[5]。一项关于动态智能体技能的综述同样指出，系统失败往往源于技能膨胀而非无法编写技能，并且缺少一套关于何种技能进入技能库的原则性策略[6]。SkillOptimizer从相反方向逼近同一目标，它针对在合成提示上拟合的标准来优化一份分解后的技能文档，而非针对标量任务奖励[4]；这与SkillGLoW以验证器为基的准入信号不同，且在所提供的材料中尚未进行过直接对比。

关于这些来源

本研究页面基于8项研究（7项经同行评审，1项为预印本）——发表于2026年，其中6项来自2024年及以后，合计被引用64次——这些研究是从通过质量筛选的8项研究中选出的最相关研究，而这些研究又从超过5亿篇文献的数据库中检索到的52篇论文中筛选而来。

本文引用的文献