SkillGLoW 不再把所有经验塞进一个总文档也不按任务无限堆技能而是把相似解法聚成“程序族”、压缩为全局先验再用真实执行门控更新在 4 个基准、3 个模型、12 次持续改进运行中Global-only 平均提升 17.2ppGlobalLocal 提升 18.0pp技能库比逐任务池紧凑 3.6×。摘要论文研究长时程 Agent 应如何保存自我生成的技能。作者发现单一全局文档会过度压缩成空泛纪律逐任务技能池又会膨胀并过拟合实例。SkillGLoW 以“共享求解程序”为复用单位把局部执行证据聚成程序族、压缩为去实例化先验并用真实执行门控更新结果在 12 次持续运行中全部获得正向提升。论文标题: SkillGLoW: Procedural-Family Skill Consolidation for Self-Improving Agents on Long-Horizon Task Streams作者: Ao Yan, Xin Zhang, Jiawei Du, Joey Tianyi Zhou发表年份: 2026原文链接: https://arxiv.org/abs/2609.02217v1关键词: [LLM Agent, 自我改进, 技能库, 程序族, Global-Local Weave, 持续学习]研究背景为什么“记住经验”反而可能害了 Agent一个常见答案是Agent 做完任务后把成功经验总结成 Skill下次检索出来复用不就能越用越聪明吗听起来对但只说对了一半。真正棘手的不是“会不会总结”而是以什么粒度保存。粒度太粗技能变成正确但无用的口号粒度太细技能库又像堆满旧工单的仓库——看似信息丰富真正遇到新问题时却检索不到可直接复用的做法。下面这张论文原图把矛盾画得很直白左边把不同程序硬压进同一个文档右边则一项任务存一个条目GLoW 选择中间层——一个程序族对应一个可复用先验。单文档、扁平技能池与程序族粒度的差异图里最值得看的是中间那条“粗—细”轴GLoW 不是折中式地取平均而是在任务实例与全局规则之间重新定义了一个知识单位——procedural family程序族。痛点一单一文档会把“操作步骤”压成“职业素养”单文档默认所有任务共享一套主导流程。可终端修复、数学推理、软件补丁和具身控制的解法差异太大反复合并后往往只剩“先读需求、检查边界、验证输出”这类泛化纪律。论文引用 SkillsBench 的结果很扎心人工编写技能平均提升 16.2pp而模型仅根据任务描述自生成的技能反而比 No-Skill 低 1.3pp。问题不只是文案质量而是缺少真实执行证据也没有保住足够具体的可操作结构。痛点二逐任务技能池越长实例绑定越严重另一种做法是每完成一项任务就存一条 Skill。它避免了过度压缩却会把文件路径、对象位置、阈值、测试常量等实例细节一起固化。任务越多库线性膨胀检索到“主题相似、程序不同”的旧条目时还可能发生负迁移。论文的 Local-only 平均能带来10.9pp说明当前任务的执行反馈确实有价值。但如果把每个 local skill 都长期保存就又回到了“一个任务一个条目”的增长模式。痛点三有检索不等于有抽象给扁平池加 Top-K 检索也不是万能药。论文中的 AWM 式 flat pool retrieval 平均只提升5.0pp12 个实验单元里还有 3 个下降而程序族完成第一次整合后就达到11.2pp。原因是检索解决的是“从旧条目里找哪条”却没有回答“旧条目里究竟哪部分值得长期保存”。相似性检索不是知识抽象Top-K 也不会自动把实例经验提炼成共享程序。方法总览SkillGLoW 怎样把“经验堆积”变成“程序沉淀”SkillGLoW全称 Global–Local Weave核心是把知识分成两层长期层保存程序族的 global prior短期层只服务当前任务根据这次真实执行反馈生成 local skill。两者在推理时拼接在离线整合时又重新分开。SkillGLoW 从局部证据到程序族整合再到执行期编织的完整框架快速建立心智模型可以把整条流水线压成下面一行任务流 → 多次真实执行 → Local Skill / Skill Card → 按“怎么解决”聚成程序族 → 压缩成 Global Prior → 真实执行门控 → 写入长期库 → 新任务召回 Prior 现场再生 Local Skill这里有一个很关键的反直觉点长期记忆不负责记住所有细节而是负责告诉 Agent“该沿哪条程序搜索”实例细节交给当前任务现场重建。关键结论• 程序族是更有效的复用粒度Global-only 相对 No-Skill 平均提升17.2pp hardGlobalLocal 为18.0pp且 12/12 次持续改进运行都为正增益。• “全局先验 局部再生”比无限存档更轻最终技能库按程序族保留 prior以词数计比逐任务技能池紧凑3.6×。• 真实执行门控挡住了纸面上漂亮、部署时退化的更新26 次 admission decision 中接受 19 次、拒绝 7 次最终有 gate 的平均增益为14.7pp无 gate 候选只有9.6pp。深度拆解五步看懂 GLoW 的知识生命周期第一步从“同一任务的前后变化”里抽取局部证据GLoW 不让模型凭任务描述空想 Skill而是让冻结 Agent 在同一任务上多次执行比较相邻轨迹发生了什么变化并结合 verifier 分数判断哪些动作真正推动了结果。形式上执行器返回轨迹与分数(τx(s), rx(s)) h(π, x, s)。Localize 再根据轨迹差异Δτx和分数生成当前任务的Lx。这个 local skill不查历史库也不直接进入长期库。论文把整个过程写成一轮 task stream 的伪代码。阅读时重点看三段Stage 1 收集局部证据Stage 2 聚类与压缩Stage 3 执行门控提交。GLoW 在任务流上的一轮完整处理过程 类比这像复盘一道刚做错的题。你不是翻全网题解而是对比“第一次错在哪、第二次改了什么、分数为何变高”先写出一张只属于这道题的错题卡。错题卡很具体但它还不是教材。第二步Skill Card 把一次经验变成可聚类对象每项任务会形成一张 Skill Cardcx (x, ax, τx, rx, Lx)包含任务指令、抽象操作签名、执行轨迹、验证分数与 local skill。轨迹差异只用于提炼不被长期携带。论文给出的提示词说明成功案例只提取 2—4 条可执行步骤总长度不超过 80 词并明确禁止写入任务特定路径、测试常量或 verifier 输出失败案例则要求定位真正缺失的规则而不是生成“更仔细一点”这种废话。从单个任务真实执行中抽取局部技能与失败归因的提示词这一步解决的是证据质量Skill 必须来自“做过以后知道什么有效”而不是“没做以前觉得什么合理”。第三步按“怎么做”聚类而不是按“谈什么”聚类GLoW 为每张卡构造多视图表示操作签名、任务指令、轨迹摘要和完整 local skill 分别编码再加权融合。签名权重最大完整技能文本最小目的就是削弱表面词汇与实例细节的影响。聚类也不是跑一次层次聚类就完事。系统会改变 linkage 与簇数候选统计任务对在多次划分中共同出现的频率形成 consensus similarity最终簇数再由 silhouette 曲线的 Kneedle 拐点自动选择。附录中的分组提示词把标准写得很硬两个任务只有在“一套程序写一次就能完成两者核心部分”时才算同族不能因为都用了相同框架、字段或文件路径就合并。程序一致性判断与规范化操作签名生成提示词 类比不要按“菜名”分厨师而要按“做法”分。红烧鱼和红烧肉主题不同但共享火候与收汁程序清蒸鱼虽然也有“鱼”程序却完全不同。GLoW 聚的是“红烧法”不是“鱼类任务”。第四步压缩成去实例化的 Global Prior每个程序族被压缩为一个候选 prior。压缩器只保留三类内容适用条件、核心求解步骤、共同失败模式某一步如果只对族内一个任务成立就应该删掉而不是为了让 Skill 看起来充实而强行写进去。程序族压缩提示词强调宁可短也不要强行合并实例步骤论文给了一个很具体的 ALFWorld 例子某个“在灯光下检查物体”的 local skill 有 989 词、7 个步骤还记着家具位置排序压缩后的 family prior 只有 440 词、4 个步骤位置表被删除只留下“从初始观察找照明物—取目标—运到照明物所在容器—执行 use 并终止”这条程序链。它随后修复了 alarm clock、book、cell phone 三个不同对象。 类比local skill 像某位员工写的工单里面有客户名、机器号和当天的临时绕路global prior 像团队 SOP只保留判断条件与稳定步骤。下一张工单的机器号应该现场查不该写死在 SOP 里。第五步Commit Gate 让“会写”服从“真能跑”语言压缩可能丢约束也可能把规则适用范围说宽。GLoW 因而不直接提交候选 prior而是仅用 global prior 重新执行任务计算真实价值V(G; D)。只有候选不低于历史最佳或 No-Skill 锚点太多时才提交容忍度ε 0.02用来吸收测量噪声。部署时系统始终注入 base prior再用任务指令检索 Top-1 family prior相似度低于0.45就 fail-closed只用 base。任务开始后 prior 冻结local skill 则根据本次反馈不断再生。真正的 Global–Local Weave 不是把两段文字简单拼起来而是让全局层负责“搜索方向”局部层负责“实例落地”门控层负责“长期记忆不倒退”。实验结果它真的比“多存一点”更好吗实验设置4 个场景、3 个模型、12 次持续运行论文覆盖四类差异很大的任务流Terminal-Bench-Pro 32 项终端任务、SWE-bench Verified 20 项软件修复、ALFWorld 42 项具身任务、LiveMathematicianBench 53 项数学推理。模型包括 DeepSeek-V4-Pro、MiniMax-M3 和 GPT-5.4-mini共4 × 3 12次独立 continual runs。每次运行包含 3 rounds × 3 sub-rounds三种模型都同时负责求解、局部技能抽取和程序族压缩没有额外更强的 teacher model。训练阶段合计执行3969 次真实部署。整体效果是否稳定而不是靠一两个幸运单元格下面是论文主结果表。不要只看每列最粗的数字更该看绿色增益是否跨模型、跨任务一致。三个模型在四个基准上的主结果含 No-Skill、SkillOpt 与两种 GLoW 设置Global-only 平均提升17.2pp hard / 13.0pp soft加入 local regeneration 后是18.0pp / 14.6pp。两种设置在 12/12 个 run 上 hard 都为正配对 sign test 与 Wilcoxon 的双侧p 0.000488。最大单格来自 MiniMax-M3 × SWEGlobalLocal 提升30.0pp hard / 27.7pp soft。同协议比较 SkillOpt 时GLoW 在 21 个可比单元格中领先 15 个SkillOpt 领先的 4 个全部来自程序骨架更统一的 ALFWorld。 洞察GLoW 的优势恰好在异质性更强的终端、软件修复和数学任务上更明显。这支持了论文的核心判断当“一份总技能”找不到主导程序时中间层的程序族才开始值钱。为什么不能只要全局、只要局部或者给扁平池加检索消融结果非常有解释力Base-only 平均只提升2.0pp并在 12 个单元格中的 4 个退化Local-only 为10.9ppAWM 式扁平池检索为5.0pp。相比之下Global-only 是17.2pp。这说明两端都不够全局压缩丢掉了程序差异局部经验又缺少跨任务沉淀。真正有效的是“按程序族压缩后再在当前任务上补实例细节”。Commit Gate 是安全带还是装饰论文把有门控的已提交库与“每轮候选无条件上线”画在一起第一轮两者同为 11.2pp之后候选开始衰减而 gate 把已验证版本保留下来。有无 Commit Gate 时三轮持续整合的平均 hard 增益变化26 次门控决策中系统接受 19 次、拒绝 7 次其中 4 次拒绝若只看 consolidation-time score 会被误判为可接受。最终有 gate 的平均增益为14.7pp无 gate 候选为9.6pp相差5.1pp。 洞察候选文本“看起来更完整”不代表部署更好。持续学习系统真正危险的不是学不到而是把一次错误抽象永久写进记忆。Gate 的作用不是追求每轮都涨而是把“非单调学习”变成“可回滚部署”。学到的是程序还是记住了训练任务论文把训练后的 frozen library 原封不动用于 60 个 ALFWorld valid_unseen 任务关闭 local regeneration只测试 global prior 的迁移。冻结的全局先验在 60 个未见 ALFWorld 实例上的迁移结果三种模型都提升平均成功率从73.9% 到 83.9%增加 10.0pp。SWE 的 30 个未见实例上MiniMax-M3 也从 40.0% 提升到 45.6%。 洞察如果 prior 只记住训练实例关闭 local regeneration 后不该在新实例上稳定增益。这个结果支持“迁移的是程序”的说法但证据仍有边界ALFWorld 未见集共享任务类别SWE 也仍属于同一软件修复分布它还不是严格的跨领域迁移。收敛性、边际效应与平台期论文没有展示候选 prior 单调收敛反而明确承认性能常在round 1达到高点后续候选可能衰减。因此 GLoW 的稳定性来自门控保留历史最佳而不是每轮生成器都更聪明。局部反馈也有边际递减在 1323 个 task×round 对中第 2 个 sub-round 改善 162 次占12.2%第 3 个只改善 70 次占5.3%。继续迭代仍有效但收益已经明显进入平台期。还有一个容易被平均数掩盖的细节GlobalLocal 虽然总体从 17.2pp 小幅升到 18.0pp却不是每个单元格都优于 Global-only。比如 DeepSeek × TBP 的 hard 从 50.0 降到 43.8。也就是说局部再生本身仍需要更细粒度的启停或可信度判断。未来工作与思考论文给出的后续可能的研究方向如下第一验证 prior 能否跨越真正的 domain shift第二测试一个模型生成的纯文本 library 能否被另一个模型继承第三把程序族技能库放进持续开放的 workflow让库只在出现新程序时增长而不是每来一个任务就增长。总的来说SkillGLoW 最重要的贡献不只是又做了一个 Agent memory 框架而是把问题问得更准Agent 的长期记忆不该以任务为单位也不该以整个领域为单位而应以可验证、可迁移的求解程序为单位。对正在搭建自我改进 Agent 的团队这比“换一个更大的向量库”更值得优先讨论。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】