arXiv cs.CL· Jun Gao, Yun Peng, Changhai Zhou, Yuhan Zhu, Xiangyu Zeng, Shiyang Zhang Yuhua Zhou, Luozheng Qin, Qian Qiao, Xiaoteng Ma, Baian Chen Weiyi Shang, Zhen Ming Jack Jiang, Lizhi Liao, Xiaoxue Ren·· 14 小时前AI 评分45
HSE：面向编码智能体的分层技能演化方法
Hierarchical Skill Evolution for Coding Agent
AI 导读
研究者提出分层技能演化（HSE），通过任务级、仓库级、跨仓库三级证据聚合，从编码轨迹中蒸馏可迁移技能，底层编码模型保持冻结，由外部 writer-evaluator 循环驱动演化。
正文 · AI 翻译
作者：Jun Gao、Yun Peng、Changhai Zhou、Yuhan Zhu、Xiangyu Zeng、Shiyang Zhang Yuhua Zhou、Luozheng Qin、Qian Qiao、Xiaoteng Ma、Baian Chen Weiyi Shang、Zhen Ming Jack Jiang、Lizhi Liao、Xiaoxue Ren
摘要：技能为智能体提供可复用的经验，以在不修改底层模型的情况下指导未来决策。然而，编码轨迹往往与任务和仓库特定的上下文纠缠在一起，这使得提炼出能在多样编码环境中泛化的过程性技能颇具挑战。为应对这一挑战，我们提出分层技能演化（HSE），它通过分层证据聚合从编码轨迹中逐步提炼过程性知识。HSE 首先从单条轨迹中提取任务级证据，然后在同一仓库内聚合反复出现的证据以形成仓库特定的候选技能，最后将跨仓库的一致模式整合为可跨仓库迁移的技能。该演化由外部写入器-评估器循环驱动，在生成和评估技能的同时保持底层编码模型冻结。该循环从外部更新写入器和评估器策略，以改进后续的技能生成与评估。这种分层结构逐步过滤任务特定细节，同时保留能在多样编码环境中泛化的过程。成功的轨迹为未来任务提供可复用的指导，而失败的轨迹则揭示反复出现的失败模式，以指导规避与恢复。我们在 SWE-bench Verified 和 DeepSWE 上评估 HSE，在 Pi 和 Claude Code 框架中使用 GLM-5.2，并在 Pi 中使用 GPT-5.5 和 Opus 4.8。在两个基准上，仅从 SWE-Gym 演化出的 10 个技能在所有评估设置中均提升了编码性能，展示了跨基准、编码模型和智能体框架的迁移能力。我们进一步在不使用验证器反馈的情况下从目标基准轨迹中演化技能库，仅依靠学习到的评估器进行候选评估，并通过针对基准定制的技能获得额外收益。
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.35616 [cs.CL] |
| （或 arXiv:2610.35616v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.35616 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jun Gao [查看邮箱]
[v1]
2026年10月26日星期一 15:34:29 UTC（889 KB）
来源：arXiv cs.CL · arxiv.org