arXiv cs.AI· Yewei Zhao, Derong Xu, Wei Chen, Yin Xu, Peilun Zhou, Xiaohan Wang, Guojun Yin, Wei Lin, Mingjun Xiao·· 12 小时前AI 评分34
CDSE：面向自我改进智能体的技能认知分化方法
From Trajectories to Differentiated Skills: Cognitive Differentiation for Self-Improving Agents
AI 导读
研究者提出技能演化中的认知分化方法 CDSE，将统一技能拆分为 Meta、Experience、Tool、Script 四个功能组件，从成功与失败轨迹中提取语义梯度并按功能角色整合更新。
正文 · AI 翻译
摘要：大型语言模型（LLM）智能体通过推理以及与外部环境的交互来处理复杂任务。智能体技能提供了持久、可迁移的能力，用于指导任务规划、辅助上下文决策、支持工具使用并实现可执行流程。然而，现有的技能演化方法主要围绕技能制品来组织知识，忽视了单个技能内部的功能异质性及其对知识维护与使用的影响。受认知科学启发，我们提出技能演化中的认知分化（CDSE），它通过四个功能不同但相互协调的组件来演化统一技能：元（Meta）、经验（Experience）、工具（Tool）和脚本（Script）。CDSE 从成功和失败的轨迹中提取有证据支撑的语义梯度，按功能角色对其进行整合，并在跨组件协调和自适应调用下应用组件特定的更新与验证。对 500 个排名靠前的技能包的分析表明，96.8% 的技能包包含至少跨越两个功能角色的知识。在六个基准、三个智能体模型和两个执行框架上，CDSE 在所有 36 种设置中均取得最高分，相比 Base 智能体提升 7.6 个百分点，相比各设置中最强的竞争方法平均提升 2.6 个百分点。消融研究进一步支持了功能分化和自适应调用的重要性。
| 评论： | 22 页，7 幅图，17 张表，包括附录 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.23599 [cs.AI] |
| （或 arXiv:2610.23599v1 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.23599 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yewei Zhao [查看邮箱]
[v1]
2026年10月16日星期五 15:16:56 UTC（1,161 KB）
来源：arXiv cs.AI · arxiv.org