arXiv cs.AI· Han Luo, Xian Xu, Yinhe Liu, Yanfei Zhong·· 3 天前AI 评分8
GeoSkill：面向地理空间智能体的经验驱动分层技能学习框架
GeoSkill:Experience-Driven Hierarchical Skill Learning with Collaborative Revision forGeospatialAgents
AI 导读
该论文已被作者 Han Luo 因数值错误撤稿。GeoSkill 是一个面向地理空间智能体的经验驱动分层技能学习框架，包含分层技能库（HSB）与协作式轨迹驱动技能修订（CTSR）机制，前者蒸馏任务规划经验与工具使用约束，后者由 Judge、Critic、Refiner 协同定位并修正技能缺陷。在 EarthBench 和 ThinkGeo 上的实验显示其可提升端到端任务准确率与工具执行可靠性。
正文 · AI 翻译
本论文已被 Han Luo 撤回
摘要：地理空间智能体日益需要支持重复出现且不断演变的分析任务，而非执行孤立的工作流。在此类场景中，有效的智能体必须将先前的执行经验提炼为可复用的地理空间过程性知识，以指导未来的规划与工具使用。然而，现有的记忆增强范式难以同时总结地理空间分析中长程工具链编排经验和工具级调用约束，而直接依赖 LLM 自我反思来更新经验往往导致错误归因和不可靠的修订。为应对这些挑战，我们提出 GeoSkill，一种面向地理空间智能体的经验驱动分层技能学习框架。GeoSkill 包含两个核心组件：(i) 分层技能库（HSB），由规划技能库和工具技能库组成，分别提炼高层任务规划经验和工具使用约束，实现历史执行经验的结构化表示与跨任务复用；(ii) 协作式轨迹驱动技能修订（CTSR）机制，由 Judge、Critic 和 Refiner 协作完成错误识别、技能级缺陷定位和针对性修改，防止错误归因和不可靠的修订污染技能库。GeoSkill 在开发阶段从历史执行中学习和验证技能，并在部署阶段冻结技能库，仅用于对未见任务的检索式指导。在地球基准和 ThinkGeo 上的大量实验表明，GeoSkill 有效地将历史执行经验转化为可复用的分层技能，提升了地理空间任务的端到端准确率和工具执行可靠性。
| Comments: | 撤回投稿，理由是数值错误 |
| Subjects: | 人工智能（cs.AI） |
| Cite as: | arXiv:2609.13667 [cs.AI] |
| （或 arXiv:2609.13667v2 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2609.13667 arXiv 颁发的 DOI，经由 DataCite |
提交历史
来自：Han Luo [查看邮箱]
[v1]
2026年9月12日星期六 02:50:52 UTC（836 KB）
[v2]
2026年10月11日星期日 16:45:12 UTC（1 KB）（已撤回）
来源：arXiv cs.AI · arxiv.org