arXiv cs.AI· Chang Liu, Bo Wu·· 10 小时前AI 评分38
Student-Aware Teaching：让强 LLM 为固定学生智能体定制技能库
Teaching the Harness: Student-Aware Skill Transfer for LLM Agents
AI 导读
研究者提出 Student-Aware Teaching（SAT），让教师 LLM 先建立学习者模型、用诊断探针验证假设，再为诊断出的失败编写可复用技能，技能须在匹配开发任务上提升成功率才入库。
正文 · AI 翻译
摘要：有效的教学既需要对任务进行推理，也需要对学习者进行推理，这种能力被心理理论描述为从另一个智能体的行为推断其潜在状态。我们探究一个更强的 LLM 在应用这一原则时，是否能更好地教导一个固定的学生。该学生是一个 LLM 智能体，通过一个固定其工具、上下文和动作预算的框架来行动，因此一种对某个模型有帮助的程序可能会耗尽另一个模型的预算。我们提出了学生感知教学（SAT）。教师构建一个学习者模型，将经验画像与关于学生局限性的假设配对，用诊断性探针检验这些假设，并为诊断出的失败编写可复用的技能。一项技能只有在提高匹配的开发任务上的成功率后才会进入技能库。在 Claude-Sonnet-5 教导 DeepSeek-V4-Flash 的情况下，SAT 在四次主要运行中达到 86.46% 的任务成功率，在每次运行中都领先于采用相同框架的无画像教师（81.04%）和未受教的学生（75.00%）。移除分析性学习者模型会降低预测和成功率，而在误导性的学习者画像下，48 个候选技能中没有一个通过准入。当 DeepSeek-V4-Flash 和 Gemini-3.8-Flash 交换技能库时，各自使用自己的技能库表现更好。保存的技能库在教师离开后仍保持平均最高 11.1 个百分点的提升。这一收益取决于一个能够遵循指令的学生以及一条能够传递指令的部署路径。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2611.13144 [cs.AI] |
| （或 arXiv:2611.13144v1 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2611.13144 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Chang Liu [查看电子邮件]
[v1]
2026年11月9日星期一 19:23:42 UTC（133 KB）
来源：arXiv cs.AI · arxiv.org