arXiv cs.AI· Wangcheng Tao, Zhanglu Yan, Han Wu, Weng-Fai Wong·· 2 天前AI 评分42
Skill$^{\infty}$：面向智能体技能优化的递归自我改进方法
Skill$^{\infty}$: Recursive Self-Improvement for Agent Skill Optimization
AI 导读
Skill$^{\infty}$ 让技能优化过程本身递归自我改进：meta agent 依照 meta-skill 优化任务技能，并用同一流程优化 meta-skill 自身，该 meta-skill 与任务技能解耦、可跨领域复用。在 83 个 SkillsBench 任务上，其通过率达 60.7%，高于人工整理技能的 56.4% 和 SkillEvolver 的 54.5%。
正文 · AI 翻译
摘要：递归自我改进（RSI），即系统同时改进其改进方式，是通往 AGI 道路上的长期愿景。语言智能体越来越多地将程序性知识存储为可复用的技能。优化技能为实现 RSI 提供了一条直接途径，因为优化过程本身可以被编码为一项技能。然而，现有的技能优化器遵循手工设计的流程。即便是演化出元技能的方法，也将其局限于固定流水线，并为每个任务重新学习。我们提出 Skill$^{\infty}$，使技能优化实现递归自我改进：元智能体遵循元技能来优化任务技能，并使用相同流程优化元技能本身。优化由智能体主导。元智能体诊断执行轨迹、提出候选方案、请求独立评审并分配搜索预算。元技能定义了这些步骤，使自我改进能够重写它们。该元技能还与任务技能解耦，在多个技能优化任务上精炼，然后复用于跨不同领域优化任务技能。与部署时一样，两个层级的技能都是通过原生技能发现加载的标准包。在 83 个 SkillsBench 任务上，Skill$^{\infty}$ 的通过率达到 60.7%，而人工整理技能为 56.4%，SkillEvolver 为 54.5%。
| 评论： | 17 页，5 幅图 |
| 主题： | 人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.35434 [cs.AI] |
| （或 arXiv:2610.35434v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.35434 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Wangcheng Tao [查看邮箱]
[v1]
2026 年 10 月 26 日星期一 13:37:56 UTC（40 KB）
来源：arXiv cs.AI · arxiv.org