一句话讲清楚👉🏻 阿里 DreamX 团队提出 SkillClaw ，一个让多用户 Agent 生态中的技能库持续自动进化的框架——用户正常使用 Agent ，系统在后台收集交互轨迹、夜间进化技能、次日同步给所有用户，不需要人工介入。
技能库僵化： Agent 系统的隐性瓶颈
大语言模型 Agent 的能力，很大程度上依赖"技能"（ Skill ）——那些编码了工具调用顺序、错误处理逻辑、工作流步骤的可复用程序片段。
然而在实际部署中，这些技能一旦安装就基本不再变化。
想象这样一个场景：用户 A 在用 Agent 处理数据时，踩坑了一个特定 API 的端口配置错误，经过几轮试错终于找到了正确的调用方式。但这个发现只停留在 A 的当次会话里，下次 A 用同样的工具，还得重新试错；用户 B 在做类似的任务，同样要从头踩坑。
这就是现有 Agent 系统的核心问题：每个用户都在独立重新发现同样的解决方案，知识无法在系统层面积累。
现有方法的局限性也很明显：
- 记忆类方法（如 Reflexion 、 ExpeL ）：把轨迹存储下来用于检索，但记忆仍绑定在特定实例上，难以泛化成可复用的通用技能
- 技能类方法（如 SkillRL 、 MemEvolve ）：把经验压缩成结构化技能，但技能库一旦构建便保持静态，不随使用而进化
- 局部精炼：只对单个 Agent 实例做改进，改进结果无法传播给其他用户
SkillClaw 要解决的，正是这个系统层面知识积累的缺失。
SkillClaw ：集体进化的闭环系统
SkillClaw 系统总览。多用户 Agent 各自产生会话轨迹，系统聚合后按技能分组，由自主进化器分析失败模式并产生技能更新，验证后同步回所有用户。
SkillClaw 的核心架构是一个闭环进化流水线：
多用户交互 → 会话收集 → 技能进化 → 技能同步
形式化来看，设共享技能集为 S = {s₁, …, s_M}，每次用户交互产生会话轨迹 τ，记录了完整的因果链：提示词 → Agent 动作 → 环境反馈 → 最终响应。给定跨用户收集的轨迹集合 T = {τᵢ}，系统的目标是更新共享技能集，使得在某个用户交互中发现的改进，能够惠及未来的所有用户：
从孤立会话到共享证据
多用户技能进化的第一步，是把异构的交互会话转化成支持跨用户推理的形式。
SkillClaw 的处理分两阶段。第一阶段：结构化单次会话。 系统记录完整的因果链，包括中间工具调用的参数、工具返回的错误信息等。这个细节至关重要，因为大多数技能层面的失败是过程性的——错误的参数格式、缺失的验证步骤、顺序错误的工具调用——这些都不会出现在最终响应里，只能从中间轨迹中诊断。
第二阶段：按技能分组聚合。 对于每个技能 s ，收集所有调用了该技能的会话，形成证据组 G(s)；没有调用任何技能的会话则归入单独的组 G(∅)。
这个分组机制有一个微妙但重要的作用：当多个用户在不同任务、不同环境下调用同一个技能，得到不同结果时，这种比较本身就构成了一种自然消融实验——技能本身是受控变量，由此可以判断哪些场景下技能有效、哪些场景下会失败。
自主进化器：开放式推理驱动的技能更新
SkillClaw 的核心是自主进化器（ Agentic Evolver ）——一个配备了结构化输入框架的 LLM Agent ，负责对共享技能库进行更新。
不同于预定义规则驱动的更新机制，进化器采用开放式推理。它拿到的输入包括：分组后的会话证据、当前技能定义、以及允许执行的进化动作集合。框架提供结构化输入，但不约束推理过程。这意味着进化器可以处理各种格式的技能定义和长度各异的会话，灵活应对未见过的失败模式，而不需要为每类问题手写处理规则。
对于每个技能 s 及其关联的会话组 G(s)，进化器分析成功和失败的执行案例，并从三个动作中选择一个：
•Refine （精炼）： 根据观察到的失败模式，修正技能错误或增强鲁棒性
•Create （新建）： 当会话组揭示出某些反复出现的子流程没有被任何现有技能覆盖时，新建技能
•Skip （跳过）： 当可用证据不足以支持修改时，保持技能不变
对于 G(∅) 中的会话（那些没有调用任何技能的），进化器重点发掘"缺失但可复用"的流程，只有当观察到的模式足够具体且很可能重复出现时，才创建新技能。
进化器始终同时分析成功和失败的会话。成功案例定义了技能的不变量——那些有效且不能被破坏的部分；失败案例定义了优化目标——需要纠正的具体行为。这种联合视角避免了朴素进化的一个典型陷阱：修复了一个问题，却不小心破坏了原本有效的流程。
完整的进化算法如下：
算法：自主集体技能进化
输入：技能库 S ，用户会话集合 T
1.将 T 转化为结构化证据 E
2.按引用的技能分组，得到各技能的证据组 {G(s)} 和无技能组 G(∅)
3.对每个证据组 G(s)：用进化器分析成功/失败模式，从 {精炼, 新建, 跳过} 中选择动作，生成候选技能更新，保守编辑后合并入新技能库
4.分析 G(∅)，发掘缺失的可复用流程，将通过验证的新技能加入
5.将更新后的技能库同步回所有 Agent
夜间验证：单调改进的部署保证
技能更新不是直接上线的。验证在夜间进行，使用真实用户环境中的空闲资源——确保评估反映实际部署条件。
对于当前技能 s 和候选更新版本 s’，系统从白天收集的交互数据中抽取相关任务，让两个版本在相同环境下运行，包括完整的工具链、多步骤交互和中间反馈。 LLM 对比执行结果，基于整体任务成功率和执行稳定性做判断：更优则标记为 Accept，否则为 Reject。
被接受的技能合并入共享仓库，次日同步给所有 Agent ；被拒绝的只保存为候选记录，不部署。
这个验证机制引入了一个重要的单调性保证：由于只有更好的版本才会被接受，用户实际使用的技能池不会随时间退化。整个系统形成闭环：
交互 → 证据 → 进化 → 验证 → 部署
WildClawBench ：真实环境下的 60 个复杂任务
WildClawBench 是论文使用的评测基准，包含 60 个真实世界 Agent 任务，覆盖六个能力领域：
| 类别 | 示例任务 | 核心挑战 |
|---|---|---|
| 生产力工作流（ Productivity Flow ） | arXiv 分类、日程安排、 SCP | 多步骤流水线 |
| 代码智能（ Code Intelligence ） | 调试、益智解题 | 执行正确性 |
| 社交互动（ Social Interaction ） | 谈判、聊天分析 | 多轮推理 |
| 搜索与检索（ Search & Retrieval ） | 学术搜索、冲突解决 | API 使用 |
| 创意合成（ Creative Synthesis ） | 视频笔记、海报生成 | 多模态生成 |
| 安全对齐（ Safety & Alignment ） | 提示注入检测 | 约束满足 |
与以往基准不同， WildClawBench 要求在真实 Linux 容器环境中完整执行，支持文本、代码、图像、视频多模态输入，每个任务涉及 3–27 个聚合指标，任务步骤长达 15–50 步，且存在硬约束（关键错误直接导致零分）。
实验配置： 模拟真实部署，进行 6 天（ 6 轮）白天-夜间循环。白天： 8 个并发用户用 Qwen3-Max 在 WildClawBench 任务上与 Agent 交互，产生会话轨迹。夜间：系统处理当天数据，生成候选技能更新，验证器筛选后，只有通过的技能进入次日部署池。 Day 1 以初始技能集作为基线，后续轮次仅对被触发且有改进空间的技能进行候选更新。
核心实验结果： 6 天内持续单调提升
下表展示了四个类别的白天部署结果（即用户实际体验到的性能）， Day 1 为基线：
| 类别 | Day 1 | Day 2 | Day 3 | Day 4 | Day 5 | Day 6 | 绝对提升 | 相对提升 |
|---|---|---|---|---|---|---|---|---|
| 社交互动 | 54.01% | 60.34% | 60.34% | 60.34% | 60.34% | 60.34% | +6.33 | +11.72% |
| 搜索与检索 | 22.73% | 30.00% | 30.00% | 34.55% | 34.55% | 34.55% | +11.82 | +52.00% |
| 创意合成 | 11.57% | 21.80% | 21.80% | 21.80% | 21.80% | 21.80% | +10.23 | +88.41% |
| 安全对齐 | 24.00% | 24.00% | 24.00% | 24.00% | 32.00% | 32.00% | +8.00 | +33.33% |
几个关键规律：
社交互动：早期爆发，快速稳定。 从 54.01% 在 Day 2 跳升至 60.34%，此后维持不变。背后是一个高影响力的工作流瓶颈——跨部门 Slack 消息汇总技能——从"描述性指令"改写为"显式过程性工作流"后，性能立刻大幅提升。
搜索与检索：阶梯式改进。 先从 22.73% 升至 30.00%，再升至 34.55%，相对提升达 52%。改进不来自单一更新，而是一系列递进的修复：先解决文件存在性验证和路径解析，再升级到约束感知的检索规划。这反映了检索任务的一个核心规律：高层推理只有在底层可靠性建立之后才会生效。
创意合成：最大早期跳升。 从 11.57% 到 21.80%，相对提升 88.41%。主要瓶颈不是内容生成本身，而是执行环境的搭建——工作目录配置、输入文件验证、多模态流水线初始化。这些基础问题解决后，性能立刻大幅提升。
安全对齐：可靠性驱动的延迟改进。 改进来得较晚（ Day 5 ），主要关注真实环境下的执行鲁棒性——Git 认证失败的回退策略、目录克隆流程的修正。这些改动不直接提升"看起来的智能"，但一旦验证通过，会稳定保留在部署池中，构成系统稳定性的基础。
总体来看， 6 天的实验展现了一个单调不降的部署曲线——这正是验证机制的效果。随着用户规模扩大、交互时间延长、任务多样性增加，进化效果预期会进一步放大。
受控验证： Skill Evolve Lite
为了隔离技能进化机制本身的效果，论文还设计了一个受控实验（ Skill Evolve Lite ），针对三个定制查询：
| 查询 | 基线 | 进化后 | 提升 |
|---|---|---|---|
| 基本提取（ basic extraction ） | 21.7% | 69.6% | +47.8% |
| 截止日期解析（ deadline parsing ） | 41.1% | 48.0% | +6.9% |
| 保存报告（ save report ） | 28.3% | 100.0% | +71.7% |
| 平均 | 30.4% | 72.5% | +42.1% |
"保存报告"从 28.3% 升至 100%——初始失败的原因是缺少环境特定的流程（如输出路径或格式），这类问题一旦编码为可复用技能，就能完全解决。"基本提取"也有 +47.8% 的大幅提升，说明反复出现的执行模式可以被技能进化有效捕获。而"截止日期解析"改进较小（+6.9%），表明更依赖细粒度推理的任务对过程性技能更新不那么敏感。
这个受控实验提供了机制层面的解释：技能进化对"缺失或错误的过程性知识"导致的失败最有效，对纯推理类失败效果有限。
四个真实案例
案例一： Slack 消息分析
Slack 消息分析任务中的技能进化。左侧为原始 Agent 的低效试错流程，右侧为进化后的结构化三阶段流水线。
进化前： Agent 检索所有消息，遭遇 API 端口配置错误时反复试错。进化后： 新技能分三步——先用消息预览过滤相关内容，再按需检索全文，最后提取行动项；同时把正确的 API 配置固化进技能，不再依赖运行时试错。体现了三个改进维度：任务分解、错误前置修正、选择性检索。
案例二： ICCV 2025 论文分析
ICCV 2025 oral 论文统计任务。原始 Agent 用启发式大学名称匹配导致误计，进化后基于 PDF 首页结构的严格定义大幅提升准确性。
问题： 原始 Agent 依靠大学名称的启发式匹配，会把非第一机构也计入，导致统计错误。解法： 进化后的技能基于官方 PDF 首页结构严格定义"第一机构"，将论文与 OpenAccess 记录对齐后再解析机构块，对模糊案例进行专项复核。
案例三： SAM3 推理任务（不完整环境）
SAM3 推理任务。进化后的技能具备环境感知能力，能够处理文件缺失、路径不存在、无 CUDA 支持等边缘情况。
问题： 原始 Agent 假设所有文件和执行条件都已就绪，一旦路径缺失或 CUDA 不可用就会失败。解法： 进化后先做轻量级工作区检查，把"缺少输出目录"当成可忽略的非阻塞条件，主动搜索附近的相关资源，遇到 CUDA 依赖就降级为 CPU 执行。
案例四：多条件产品筛选
多条件产品选择任务。进化后的技能不再"凑答案"，而是逐条验证约束，在无候选满足全部条件时明确告知用户并提供部分匹配分析。
问题： 原始 Agent 依赖松散匹配，找到一个"看起来合理"的候选就停止，把满足部分条件的产品当作满足所有条件。解法： 进化后的技能对每个需求（芯片组、卫星通信、电池容量、发布时间）都去权威来源核实；当没有候选能同时满足所有约束时，明确告知用户并给出逐条匹配分析，而不是强行给出一个错误答案。
三大系统属性
SkillClaw 的设计带来了三个关键系统特性：
集体进化（ Collective Evolution ）： 个体交互中发现的知识汇聚成共享技能生态，改进不再局限于单个用户。
全自动运行（ Full Automation ）： 从会话录制到技能同步，整个流水线无需人工干预。用户唯一的"输入"是正常使用 Agent 。
自主适应性（ Agentic Adaptability ）： 技能更新通过开放式推理产生，而非预定义规则，让系统能处理之前未见过的失败模式和使用模式。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】
256
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
