清华连发2篇自进化Skill，Agent彻底活了

当你雇了一个AI助手，给它写了一份详细的工作手册。开始还不错，但遇到手册没覆盖的新情况就犯错——而且每次犯的都是同一个错。你只能不断手动更新手册。文末分享了一些资源，关于Agent和SCI写作实体书籍。

清华两个团队同时给出了同一个答案：别写手册了，让Agent自己写，自己改，自己进化。而且结果出人意料——Agent自己写的Skill技能说明书，比人类精心整理的还好13.3个百分点。

这两篇论文从不同角度攻克同一个问题：让技能自进化成为一等公民。

• EmbodiSkill 聚焦具身智能场景（机器人做家务、导航），设计了一套技能感知反思机制
• SkillEvolver 做成了一个可插拔的"元技能"，任何 Agent 都能装上用，不挑场景

EmbodiSkill：让Agent学会区分我到底哪里出了问题

EmbodiSkill 的核心创新是四种技能感知反思类型：

• Discovery Reflection：任务成功了，但发现了一个新技能的苗头——记下来
• Optimization Reflection：任务成功了，但效率不高——优化已有技能
• SkillDefect Reflection：任务失败了，是技能本身有缺陷——改技能
• ExecutionLapse Reflection：任务失败了，但技能没问题，是执行环节出了岔子——不改技能，下次执行注意

这四类反思最关键的区别在于第三和第四种：Agent 失败后不是无脑改技能，而是先判断"是手册写错了，还是我没按手册做"。消融实验证明，去掉任何一种反思都会导致性能明显下降。

技能被组织成 (S_body, S_appendix) 结构——S_body 是核心操作步骤，S_appendix 是踩坑记录和注意事项。每次反思后，Agent 更新技能的对应部分，进入下一轮"执行→反思→更新"螺旋。

ALFWorld（具身家务任务）：

EmbodiSkill 超过 GPT-5.2 直接执行 31.58%，超过 G-Memory 25.01%，比技能无感知进化方法相对提升 19.04%。

SkillEvolver：一个插上去就管用的自进化引擎

SkillEvolver 的定位更狠——它本身就是一个元技能，一个管理其他技能进化的技能。它的设计有两个关键创新：

策略多样化探索：每次迭代不只有一个方案，而是生成 K=4 个不同执行策略的并行试验。有的激进，有的保守，有的走不同路径。这样避免 Agent 陷入"每次都用同一个方式失败"的困境。

对比技能更新：把成功轨迹和失败轨迹摆在一起对比，从差异中提炼改进点。然后交给一个独立 Auditor，执行 9 项机械检查（格式完整性、一致性、可执行性等），拦截了 17% 的有害更新。

重要的是，SkillEvolver 更新的是技能的文字和代码，不是模型权重。这意味着不需要 GPU 训练，任何 Agent 都能装上用。

SkillsBench（83个任务，15+领域）：

SkillEvolver 比人类精心整理的技能高出 13.3 个百分点，比无技能基线高出 27.0 个百分点。

真实场景验证（KernelBench + Claude Code）：

SkillEvolver 还和 Claude Code 做了真实集成测试。在 GPU 内核优化任务上：

• 平均加速比从 1.16 提升到 1.51
• 每个任务成本仅 $3.92
• 下游 Agent 的 token 消耗减少 19.4%
• 对话轮次减少 15.3%
• 实际运行时间减少 23.8%

这意味着什么

EmbodiSkill 在具身场景（机器人做家务、环境导航）证明了有效，SkillEvolver 在代码优化等真实开发场景也跑通了。而且 SkillEvolver 已经和 Claude Code 这样的生产级工具做了集成验证。

Skill技能进化更新的是文字和代码，不是模型权重——这意味着不需要 GPU 训练，不需要重新微调，任何 Agent 都能装上这个自进化能力。从"人教 Agent 做事"到"Agent 自己教自己做事"，这件事已经不是未来时了。