在 AI Agent 飞速发展的今天，我们越来越多地看到它们被用于解决复杂的真实世界任务——从数据处理、文档操作，到系统运维和科学计算。
然而，当前大多数 Agent 仍然缺乏一种关键能力：长期积累并复用自己学到的“技能”。现有技能方案普遍把能力当作孤立静态脚本，无法跟随任务持续沉淀，既做不到跨任务复用，也缺少自动校验和迭代优化机制，智能体只能单次执行、无法自我成长。
针对上述问题，字节跳动的研究团队提出了 MUSE-Autoskill 框架，以全生命周期技能管理为核心，定义创建、记忆、管理、评估、优化五阶段统一范式，实现智能体自主进化。
实验结果表明，在包含 51 个真实世界任务的 SkillsBench 基准上，MUSE-Autoskill 在使用人类技能时，准确率领先其他 Agent，达到 68.40%。使用自我生成的技能时，在 35 个任务上准确率高达 87.94%，甚至超越了人类编写技能的上限。
对于想深入了解 Agent 自进化与技能生命周期管理的开发者，云栈社区持续追踪该领域的最新论文与实践。
方法
MUSE-Autoskill 的核心设计理念是：将技能视为拥有完整生命周期的资产，而非一次性生成产物。整个系统围绕五个环节构建：创建、评估、精炼、记忆、管理。
图1 MUSE-Autoskill 整体架构图
上图展示了系统的整体结构。五个模块围绕技能库协同工作，Agent 运行于中间的循环中，所有技能均在此循环中被调用或生成。
一、技能创建
当现有技能无法满足当前任务需求时，Agent 调用内置的创建工具，提交一份功能规格说明——描述所需技能的目的、输入及预期输出。
系统依据该规格说明自动生成标准化的技能包，包含三个核心组件：
- 接口定义文件：声明技能的调用方式与使用规范
- 可执行脚本：实现具体功能的代码
- 单元测试：用于验证技能正确性的测试用例
这种结构化封装确保了技能的可读性与可移植性。
二、技能评估与精炼
技能生成后，需通过评估方可入库。整个流程如图 2 所示。
图2 MUSE-Autoskill 端到端流程图
评估系统执行技能自带的单元测试：
- 全部通过：技能被正式注册至技能库，供后续复用
- 存在失败：触发精炼模块，Agent 分析错误信息并自动修复代码，随后重新进入评估循环，直至通过或达到重试上限
这一先验证、后入库的设计，确保了技能库中每一项能力都经过可靠性检验。
三、技能级记忆
除了评估与精炼，MUSE-Autoskill 还有一个区别于现有工作的核心设计——技能级记忆。
每个技能附带一个独立的记忆文件，Agent 每次调用技能后，将本次执行的经验、注意事项及失败模式追加写入该文件。
后续任务再次调用同一技能时，Agent 会优先读取这份跨任务积累的记忆，从而规避已知问题、提升调用效率。
结合短期记忆（当前任务的推理上下文）与长期记忆（跨会话的通用经验），三者构成了完整的多层次记忆体系。
四、技能管理
随着技能库规模增长，高效检索成为关键。MUSE-Autoskill 采用两阶段检索策略：
- 第一阶段：任务启动时，系统仅将各技能的“名称”与“一句话描述”注入 Agent 提示——该目录体积很小，技能数量增长仅带来线性增加的低开销
- 第二阶段：Agent 根据目录筛选出候选技能后，再通过读取工具加载完整接口定义文件并执行
这种渐进式披露机制，使技能库规模扩大时不会导致上下文窗口溢出。
五、自适应上下文压缩
在长任务场景下，上下文窗口压力是另一个挑战，MUSE-Autoskill 为此设计了自适应上下文压缩机制，实现了如图 3 所示的两级压缩机制。
图3 自适应上下文压缩示意图
对话历史被组织为链式结构，固定保留前 5 轮与后 5 轮，仅中间部分进入压缩流程：
- 一级压缩：将单个体量过大的节点替换为紧凑摘要
- 二级压缩：若整体仍超阈值，将连续一段节点合并为一个合成摘要节点，并重新接入活动链
无论采用哪级压缩，原始节点均通过不可变指针完整保留于全量历史中，确保信息可回溯——压缩仅影响活动上下文，不造成信息永久丢失。
以上五个模块相互衔接，构成了技能从创建到复用、从验证到进化的完整闭环。
实验结果与分析
一、实验设置
实验基于 SkillsBench 51 项真实世界任务，覆盖四大领域：科学工程、数据分析、文档处理、运维规划；统一采用 GPT-5.5 作为基座模型，对比 MUSE-Autoskill、Codex、Hermes 三大智能体。
二、实验核心结果与分析
（1）性能基准对比
图4 各智能体在 SkillsBench 多领域任务上的精度表现
所有智能体引入人工技能后准确率均提升 13~15.21 个百分点；MUSE-Autoskill 无技能基线 53.19%、有人工技能达 68.40%，整体及 4 个领域中 3 个均领跑对比模型，仅工程科学领域略低于 Codex，证明该框架更擅长解析与落地技能逻辑。
（2）自主技能生成能力
表3 MUSE-Autoskill 不同技能配置下准确率
MUSE-Autoskill 在 51 项任务中成功为 35 项生成有效技能，35 项任务准确率达 87.94%，超越人工技能上限；整体 51 项平均准确率 60.35%，未生成技能的 16 项多集中在专业运维、数值仿真领域，瓶颈为任务基线求解能力而非技能生成质量。
（3）跨智能体迁移实验
表4 技能跨智能体迁移实验结果
将 MUSE-Autoskill 生成的技能直接注入 Hermes 智能体，Hermes 准确率从 47.89% 提升至 58.40%，弥补 79% 与人工技能的差距，且与 MUSE-Autoskill 同技能下准确率仅差 1.95 个百分点，验证生成技能是通用可迁移知识资产，不绑定单一智能体内部逻辑。
（4）效率与成本分析
表5 技能生成与复用资源开销对比
图5 不同方案下模型准确率、时延与 Token 消耗对比
图6 时延、Token 开销与性能权衡关系
图7 各模型时延与 Token 消耗分布
生成成本与回本周期：一次性消耗约 383K token、164 秒。复用生成技能相比人工技能，MUSE-Autoskill token 降 20%、时延降 37%；Hermes token 降 48%、时延降 30%。3 次复用即可回本。
帕累托最优：使用自研生成技能时，两者同时实现更高准确率、更低时延、更少 token，优于无技能和人工技能配置。
开销分布：Hermes 资源最精简；MUSE-Autoskill 因推理回合更深，token 偏高，但自适应压缩有效控制溢出；技能引入显著降低高时延长尾问题。
（5）技能结构与质量剖析
图8 人工技能与模型生成技能内容结构对比
MUSE-Autoskill 生成的技能文档长度是人工技能的 2.2 倍，流程、故障模式、输入输出规范描述更细致；且原生自带单元测试模块，而人工技能几乎无测试用例，在可验证性、鲁棒性上更具优势。
总结
MUSE-Autoskill 最大的突破，是把 AI 智能体从静态执行者变成终身学习者。不再依赖人类持续手写技能，智能体可以自己造、自己测、自己改、自己存、互相共享，形成闭环进化。
这也预示着下一代 Agent 的核心竞争方向：不再比拼大模型基座能力，而是比拼技能积累、记忆沉淀、自进化与生态复用能力。在 云栈社区，我们正见证着这股技术浪潮从研究走向工程落地。
END
发表于 3 小时前
|
查看: 4|
回复: 0
