Agent Skills：从执行经验到持续改进

一个表格 Agent 连续把销售额放进透视表的行标签。把失败日志交给模型，让它重写操作手册，似乎就能解决问题。可是另一批相似失败来自工具升级：计划没有错，旧参数已经不再被接口接受。继续强化“正确放置销售额”的文字，对第二种失败没有帮助。

让 Agent 从经验中变好，首先需要决定经验说明了什么，以及究竟允许修改什么。 一次成功可能只是偶然，一次失败也未必由 Skill 导致。生成更多技能文件、保存更多反思，都不能直接证明下一次任务会更可靠。

本文沿一条完整的链路讨论这个问题：从轨迹提炼候选，用独立证据选择更新，再把有效变化巩固到长期技能库。重点比较 Trace2Skill、SkillOpt、SkillGrad 与 Memento-Skills；RRSI 补充更大编辑范围下的选择边界。本文的控制流程与表格案例属于工程建议和教学示例，研究实验均为作者报告。

1. 先分开三个会被写回的对象

一次执行至少留下三类东西：发生过什么、这次任务怎样恢复、以后遇到同类任务该怎样做。它们可以互相提供证据，但不应该被写成同一份持续覆盖的“记忆”。

如果把当前任务中的文件名、单元格位置甚至正确答案直接沉淀成通用规则，下一次输入稍变就会失效。相反，只写一句“以后更加仔细”，又没有留下可执行的方法。一个有用的候选应该包含条件、动作和检查：什么时候采用这个做法，具体改变什么，怎样知道它生效。

对于工具升级，应先修适配器或版本约束；对于参数映射错误，可以修改步骤或示例；对于用户要求不清楚，应改善澄清流程。允许优化器输出“暂不修改 Skill”，有助于避免把整个系统的责任都推给文本。

图 1：本文建议的经验写回流程。诊断可以改变修复对象，生成候选不自动获得发布权。

2. 从轨迹提炼技能：先冻结参照

多次执行可能同时揭示相同问题。若每发现一条经验就立即修改技能，后续轨迹面对的参照已经变化，很难判断哪些建议互相兼容。Trace2Skill 的一个关键做法，是围绕固定技能快照分析局部执行经验，再分层合并成候选补丁。1

成功轨迹告诉系统哪些步骤值得保留，失败轨迹帮助定位缺失或错误。局部分析器不必一次阅读全部日志；合并阶段再处理重复建议与冲突。这个结构将“分析大量经验”与“维护一份一致产物”分开，但合并出的文本仍然需要独立验收。

在本文案例中，两个分析器可能分别建议“增加公式保护检查”和“对输出统一转值”。两条建议都可能在各自任务里正确，合在一起却互相冲突。合并器需要保留条件：前者适用于用户要求可编辑公式的输出，后者只适用于明确要求静态导出的任务。出现频率更高的建议，不应自动覆盖另一种合法需求。

Trace2Skill 还提供了一个很具体的检查提醒：公开固定版本的表格技能片段中，文字要求按降序删除行，但对已经降序的列表再次执行 reversed，会得到升序。2 这只是一个局部片段的一致性问题，不能用来否定整体研究；它说明自然语言经验、示例代码与执行断言需要共同检查。

例如下面的教学补丁，把“按原始行号删除”所要求的顺序写成可执行表达，并提醒验证剩余内容。具体工作表 API 由实际工具决定。

# 教学示例：删除时保持未处理的原始行号稳定。
for row_index in sorted(set(rows_to_delete), reverse=True):
    delete_row(row_index)
verify_remaining_rows_and_formulas()

删除顺序正确还不够：原始索引是否包含表头、合并单元格如何处理、公式引用是否按预期变化，都可能需要额外测试。候选可以只解决其中一个明确问题，不必承诺覆盖所有表格操作。

3. 从合理建议到可接受更新

SkillOpt 与 SkillGrad 都利用执行反馈改进外部技能，但关注的位置不同。SkillOpt 强调受控提议、编辑与选择；SkillGrad 进一步考虑规则应放在哪个披露层，以及怎样积累诊断信号。34

SkillOpt 在固定目标模型与执行框架的条件下，从成功、失败轨迹提议修改，对补丁进行整理并约束编辑规模，再用选择数据决定是否接受。被拒绝的尝试也可以成为后续提议的参考。它的价值不在“多反思一遍”，而在于修改理由与接受理由不是同一份证据。

SkillGrad 关注另一种常见失败：规则并非缺失，而是放错了位置。主文塞满长尾例外，会增加每次阅读的负担；重要前提只写在附件末尾，又可能根本没有被读到。将长期有效的主路径、条件性补充和脚本资源分层，需要同时考虑触发、披露和实际执行。

以下比较的是同一候选更新。所有字段为教学表达，不是上述项目的共同接口。

这里有两个独立预算：优化器寻找候选所花的成本，以及候选部署后完成任务的成本。更短的最终技能，可能来自很昂贵的搜索；廉价生成的规则，也可能让后续每次执行都增加大量检查。只报其中一本账，会让架构决策失真。

完整评测方法见收益评测篇。在优化循环内部，最关键的一条是：选择集可以用于反复挑选候选，最终测试集应隔离。若把测试失败也继续反馈给优化器，这批任务就已经参与开发，需要新的独立测试来判断泛化。

4. 用一个例子检查整个控制过程

回到透视表失败。先冻结原始技能、工具版本和样本集，再提出两种假设：H1 是技能没有区分指标字段和维度字段；H2 是工具的新接口不再接受旧参数。两者对应不同修复对象，应先用最小测试区分。

若相同参数通过兼容层能够正确执行，正文重写可能不是首要动作。若接口调用成功但参数语义始终错误，则可以提出技能候选：增加字段分类步骤、调整示例，或在生成后重新读取透视表对象检查布局。

图 2：教学诊断流程。分支由测试证据决定，模型提出的解释只是假设。

假设候选 A 增加正确的字段说明，候选 B 增加文件保存后的对象检查。它们可以分别测试，也可以测试组合；组合结果不能由两个单独分数相加得到。额外检查可能修复错误，也可能因为工具不支持而引入新失败。

验收时至少包含三类任务：原来出错的相似任务、不同列名或布局的新任务、原版本已经稳定完成的任务。第三类用于发现回归。只有第一类改善，说明问题被局部修复；对第二类的改善才支持迁移；三类都通过，仍然只适用于已覆盖的环境与需求。

接受条件应在看候选成绩之前写清。可以选择“质量达到底线时优先降低成本”，也可以选择“允许有限成本增加以减少严重错误”。授权与数据安全等硬约束不参与平均分抵消。没有统一权重适用于所有产品，优化器不能从失败日志中自动推导业务取舍。

5. 从单次优化走向持续学习

单次任务修好之后，下一个问题是怎样让未来任务受益。Memento-Skills 把技能作为可写的外部程序知识，采用读取、执行、写回的循环；更新的不只是对话摘要，还可以包括技能文件与资源。5

这种做法能让经验持续影响后续任务，也带来新的风险：错误规则会被重复读取，相似技能互相挤占检索位置，某个高频任务的优化可能伤害低频需求。技能库增长只是状态变化，不能作为学习成功的指标。

我会把快速记录与慢速发布分开。执行结束后先记录候选经验及其适用条件，允许同一批经验积累出足够证据；经过选择与回归后，再更新稳定技能快照。线上任务使用的快照应可追溯，实验组积累的学习状态也不能静默流入基线组。

知识巩固还需要维护决策：新增技能、修改旧技能、拆分过宽的技能，或撤回已经失效的规则。选择应基于任务覆盖与行为证据。低频不等于无价值，两个描述相似的技能也可能对应不同权限和环境。具体库治理见冲突治理与版本发布篇。

更大的编辑范围需要更清楚的边界

RRSI 将改进对象扩展到 Agent Harness，包括提示、控制流、工具与上下文管理。6 它将候选提议与保留决策分开，并在选择中考虑质量、成本与约束。这里吸收的是 W39 研究底稿中的方法，不把历史材料当作本周新闻。

这也提醒我们：若一次候选同时修改路由、技能与工具，最终涨分只能首先归给整个变更集合。要判断某个 Skill 的贡献，需要另做控制实验。held-out 或域外测试参与了搜索，就不再是独立的迁移证据。

RRSI 并不等于单技能文本优化。本文将它放在边界讨论里，是为了说明控制器必须知道允许编辑的对象与范围，不能因为技术上能修改更多文件，就默认这些修改都应被自动保留。

6. 停止条件也是优化能力

持续运行的优化器很容易把“还能提出建议”当成“值得继续”。实际上，当候选收益不稳定、剩余预算不足、诊断无法区分或环境持续变化时，继续搜索可能只是在追逐噪声。

停止后要留下可复用的结论：哪些假设被否定，哪些补丁已经测过，什么证据仍然缺失。这样下一轮不会从相同的猜测重新开始。保留失败记录的目的，是提高下一次决策质量，而不是让每次用户请求都携带全部失败历史。

在工程上，我会先实现一个很小的闭环：只允许修改一种技能资产，绑定一个固定验收器，保留完整补丁记录，能够拒绝候选并恢复原版本。等收益与失败都可解释后，再扩大编辑对象和自动化程度。

持续改进最终留下的应该是更可靠的能力，以及知道这项能力何时有效的证据。 文件数量、反思轮数和训练曲线都可以帮助观察过程，但它们不能替代未来任务上的质量、成本与约束表现。

参考资料

1. Trace2Skill，arXiv:2603.25158v5：局部轨迹分析与候选合并。
2. Trace2Skill 固定技能产物：本文局部代码一致性案例的来源。
3. SkillOpt，arXiv:2605.23904v2：受控更新与选择；固定编辑实现。
4. SkillGrad，arXiv:2605.27760v1：分层技能优化；固定实现。
5. Memento-Skills，arXiv:2603.18743v1：读取、执行与经验写回；作者仓库。
6. RRSI，arXiv:2609.24972v2：更大编辑范围下的提议与保留；固定选择实现。

资料以固定研究版本及 2026 年 9 月底稿为界，2026-10-07 合并修订。本文没有独立重跑模型训练或 benchmark；教学过程不代表上述方法已在同一个生产系统中联合验证。

• Previous
  Agent Skills：从召回到编排，如何用对技能
• Next
  Agent 评测：如何证明 Skill 真的有效