arXiv cs.AI· Bohan Lin, Hejia Geng, Xinyi Xie, Heng Zhou, Qinghua Xing, Chen Zhang, Yudong Zhang·· 3 天前AI 评分25
Emotion2Skill：用模型内部情绪信号实现自适应技能选择与进化
Emotion2Skill: Model-Internal Emotion Signals for Adaptive Skill Selection and Evolution
AI 导读
Emotion2Skill 框架提取 LLM 内部情绪向量，并将其用于技能选择与技能进化，通过追踪情绪表征变化识别有问题的技能调用以做针对性改进。在两个骨干模型上它优于七个基线，Qwen3-8B 上 WebShop 成功率超 Trace2Skill 3.1 个百分点、ALFWorld 平均成功率超 5.7 个百分点。相同情绪向量无需重新提取即可迁移到 MATH 和 MBPP，代码已开源。
正文 · AI 翻译
摘要：基于技能的 LLM 智能体从外部库中选择可复用的过程来解决复杂任务，但其路由决策主要依赖任务描述、言语反思和经验衍生的规则，而没有显式观察模型的内部决策状态。近期的可解释性工作已识别出影响模型行为的情感表征，但其用途主要集中于事后分析和输出引导。它们指导智能体层面决策的潜力仍未得到充分探索。我们提出 Emotion2Skill，一个提取 LLM 内部情感向量并将其纳入技能选择与技能演化的框架。该框架利用这些表征来指导技能选择，并追踪其变化以识别有问题的调用，从而实现超越粗粒度结果反馈的针对性技能改进。在两个骨干模型上，Emotion2Skill 优于七个基线。在 Qwen3-8B 上，其在 WebShop 成功率上超过 Trace2Skill 3.1 个百分点，在 ALFWorld 平均成功率上超过 5.7 个百分点。消融实验和特异性控制支持上下文对齐的情感信号的效用，而共激活分析揭示了语义连贯的情感—技能关联。相同的情感向量还能迁移到 MATH 和 MBPP，无需重新提取。这些结果确立了 LLM 内部情感表征作为编排智能体技能系统的有效决策级信号，将其效用扩展到可解释性和输出引导之外。代码可在 此 https URL 获取
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2608.09248 [cs.AI] |
| （或 arXiv:2608.09248v3 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2608.09248 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Bohan Lin [查看电子邮件]
[v1]
2026年8月10日星期一 08:09:24 UTC（1,114 KB）
[v2]
2026年8月11日星期二 02:32:19 UTC（1,114 KB）
[v3]
2026年10月13日星期二 08:05:10 UTC（1,120 KB）
来源：arXiv cs.AI · arxiv.org