论文一链接：SkillForge: Co-Evolving Skills and Agents via Dynamic Skill Lifecycles 论文二链接：SkillCycle: Evolving Skills through Internalization 论文三链接：SkillSandbox: Skill Verification via Dynamic Scenario Synthesis 发表时间：2026 年 10 月（三篇均为 10 月 7 日提交 arXiv） 机构：论文一中国科学院计算所（一作 Ge Yuyao、通讯 Shenghua Liu 等 6 人）+ UC Merced（Yiwei Wang）+ 清华大学（Lizhe Chen），科研院所 + 高校合作，NeurIPS 2026 接收；论文二清华大学（5 人）+ 西北工业大学（1 人），纯高校合作；论文三延世大学（Yonsei University，韩国，5 人含通讯 Dongha Lee），单一高校 领域标签：cs.AI / cs.CL，LLM Agent、技能库管理、持续学习、强化学习 备注：论文二 arXiv abs 页标题为 “SkillCycle: Co-Evolving Agent Policies and Skill Banks”，PDF 首页为 “Evolving Skills through Internalization”，本文以 PDF 为准；其 arXiv 分类标为 cs.CV 应为误标。三篇均未放出可用代码 URL（论文二称「将发布」，论文三正文仅占位符）；论文一另发布 SKILLFURNACE 数据集（5,852 条记录，CC-BY-4.0）。

技能库的一生：退役、内化与入库验证 三论文精读

一、论文背景：只进不出的技能库，正在变成垃圾场

要理解这三篇论文，先要理解 Skill（技能）是什么：当 LLM Agent 在环境中执行任务（网购、做家务、搜索问答），它会把成功经验压缩成一条条结构化文本——「遇到 X 类任务时，按 Y 步骤做」——存进一个外部技能库，后续任务先检索相关技能塞进上下文再行动。Skill 就像岗位操作手册：新人（策略模型）不必每次从零摸索，照着老师傅留下的手册干活。

这条路线的源头可以追溯到 Reflexion（arXiv:2303.11366，用语言反馈代替梯度更新）和 Voyager（arXiv:2305.16291，在 Minecraft 里积累可执行代码技能）。到 2026 年，技能库 + 强化学习（记忆增强 agentic RL）已成为自进化 Agent 的主流配置：策略在 RL 训练中变强，新技能源源不断蒸馏入库。

但这里藏着一个被长期忽视的问题：几乎所有的技能库都是 append-only（只增不减）的。技能写进去之后就永远躺在那里，而策略在训练中不断变强、环境任务分布也在漂移，于是：

• 技能会过时——上个月「先搜 A 再比价」是黄金法则，本月策略已经学会更好的路径，旧技能反而把执行带偏；
• 技能本身可能是垃圾——蒸馏环节产生的错误程序、不可迁移的局部经验，从入库第一天起就是毒药；
• 技能之间会互相稀释——库越大，检索命中无关技能的概率越高，上下文被噪声撑爆。

SkillForge 论文给这个现象起了个精确的名字：延迟过时（delayed obsolescence）——技能退役不能只看「当下还行不行」，因为一个技能可能在达到鼎盛之后才开始衰败，等你观察到它有害时，策略已经被误导了很多步。这跟软件工程里的「技术债」异曲同工：代码能跑就不删，最后整个系统被死代码拖垮。

2026 年 10 月上旬连续出现的三篇论文，恰好从技能生命周期的三个时间点切入这个问题：

三篇合起来，讲的是技能库的一生：出生要验证（Sandbox）、成长要淘汰（Forge）、成熟要内化（Cycle）。

二、论文定位和关联工作

三篇论文分属三个相邻谱系，但共同对抗「append-only 技能库」这个默认设定。

2.1 谱系一：记忆/技能增强 RL（SkillForge 的位置）

• 上下文学习类：ReAct（arXiv:2210.03629）、Reflexion（arXiv:2303.11366）确立「语言反馈作为记忆」的范式，ExpeL（arXiv:2308.10144）进一步从历史轨迹中提炼可复用 insights；Mem0（arXiv:2504.19413）等系统把记忆管理工程化。共同特点：记忆只积累、不退役。
• RL 类：RLOO、GRPO 等策略优化方法不依赖外部记忆；MemRL、EvolveR 等记忆增强 RL 尝试把两者结合，但记忆层仍是静态副手。
• SkillRL（arXiv:2602.08234，递归技能增强 RL）：SkillForge 的最强 baseline，在 GRPO 训练中持续蒸馏技能入库，是「append-only + RL」路线的代表作。

SkillForge 的定位：第一个把显式生命周期状态机（trial→active→stable→retired）搬进 RL 训练循环的方法。与 SkillRL 的区别不在「学不学技能」，而在「技能有没有死亡机制」——实验显示这一步带来 WebShop +5.7pp 的提升。

2.2 谱系二：技能蒸馏与内化（SkillCycle 的位置）

• OPSD/RLSD/SDAR 等 skill distillation：把外部技能（手册、文档）蒸馏进策略参数，推理时不再携带技能输入，解决上下文成本与延迟问题。
• OPID（SkillCycle 引用的 SOTA）：最优策略蒸馏路线的代表，WebShop Score 85.00。
• 这条谱系的隐含假设是：技能库在蒸馏期间保持静止。但策略能力变化会让规则变冗余（学生已学会）、变误导（规则过时）、变不足（新场景没覆盖）——库本身需要随内化进程修订。

SkillCycle 的定位：首次把「策略内化」与「技能库修订」做成闭环。它不发明新的蒸馏算法，而是给蒸馏反馈派了第二份工作：同一份 Teacher–Student 差距，既当训练信号，又当「该修哪条规则」的诊断证据。

2.3 谱系三：技能/记忆验证与库治理（SkillSandbox 的位置）

• 未验证库：ReasoningBank、MemP 等直接把蒸馏产物入库，SkillSandbox 的动机实验显示这类库在多数设置下低于 No Skill 基线（如 Gemini ALFWorld：Vanilla 49.3% vs No Skill 56.4%）。
• 执行验证库：ExpeL、ACE、SkillOS 用真实任务上的执行反馈过滤技能，但被动等待下游任务暴露技能问题——SkillSandbox 的测量显示语义相似的 top-10 任务中平均只有 ≤6.66 个真正命中技能的适用场景，17–32% 的技能在 500 个下游任务后仍是零使用：现有任务流提供不了技能特定的证据。

SkillSandbox 的定位：把验证从「被动观察」变成「主动构造」——围绕技能按需合成新任务 + 新环境配置，保证技能的适用条件必然被命中。这相当于给每条新技能办一场专场入职考试，而不是靠日常工作顺带考察。

2.4 三篇论文的合并定位

三、问题定义

三篇论文面对的具体场景不同，但抽象之后都指向同一个本质：技能库是一个动态资源池，而它的价值取决于入库、留存、退出三个决策的质量。每篇论文各咬住一个决策点。

3.1 SkillSandbox：入库决策 ≈ 反事实实验设计

• 具体问题：一条技能在源任务上蒸馏出来，怎么知道它在别的任务上还有用？
• 核心洞察：技能的价值无法从文本判断，只能从执行差异判断——但现有任务不一定提供执行该技能的情境。于是问题转化为实验设计：为技能构造一个它必然被命中的新情境。
• 形式化：给定技能 k（适用条件 condition + 行动原则 principle）与源轨迹，合成任务-环境对 (τ, E)，在有/无技能的配对执行中计算折扣回报差与可执行性指示的乘积，R(k) = E[e·∆u] > 0 则 Keep。类比对照试验：技能是「处理」，无技能是「对照」，场景是「实验平台」——而平台是按需搭建的。

3.2 SkillForge：库内治理 ≈ 进化算法的种群管理

• 具体问题：RL 训练中技能和策略都在变，哪些技能该留、该退、该改？
• 核心洞察：把技能库视为适应度驱动选择的动态种群而非静态字典。每条技能的运行时适应度（成功/使用比）是可观测的选择压力，退役就是淘汰，变异就是繁殖。
• 形式化：给定策略 π_θ 与技能库 S，在 RL 的每个锻造周期按适应度与滞回双门在 {trial, active, stable, retired} 间转移技能，目标是最大化任务回报同时维持库的紧凑（|S| ≤ S_max）。类比：技能库 ≈ 遗传算法的种群；只增不减 ≈ 无死亡机制的种群爆炸。

3.3 SkillCycle：内化 ≈ 教-学耦合系统的同步修订

• 具体问题：把技能蒸馏进参数后，库里的规则与策略能力脱节怎么办？
• 核心洞察：Teacher（带技能）与 Student（无技能）的 token 级差距 g_t,j 本身就是诊断信号——差距大的地方，要么是学生还没学会（需要教），要么是规则本身有问题（需要修）。一份信号，两个用途。
• 形式化：交替执行「固定库学策略 / 冻结策略修库」两个阶段，库编辑 e 必须通过规则级配对对照与整库级门控（如 WebShop 门：成功数严格增、Score 不降、各属性组不回退、零 API 错误）才提交。类比：教科书（库）与学生（策略）同步迭代，且教材修订版必须通过 A/B 测试才能出版。

这个三分法的精妙之处在于：三个决策点在时间轴上无缝衔接，且任何一个环节失守都会让下游环节的负担爆炸——不验证入库（Sandbox 的反面），库内就要退得更多（Forge 的负担）；不内化（Cycle 的反面），推理永远背着上下文成本。三篇论文的消融数字（见第六部分）恰好互相印证了这一点。

四、问题解法

4.1 SkillForge：锻造循环

SkillForge 基于 Qwen2.5-7B-Instruct，用 verl + GRPO 训练，共分三段：

（1）预退役（pre-retirement）：RL 开始前，用基模型自身的 rollout 给每条种子技能算 proto-fitness（在含该技能的 rollout 上的成功率）。低适应度技能直接剔除，并用过滤后的库筛选 SFT 数据。这一步相当于入职体检：还没上岗，先把明显带病的技能拦在门外。

（2）退役感知冷启动微调：用过滤后的数据做 SFT，得到一个「没被垃圾技能污染」的起点。

（3）锻造循环（每 10 个 RL 步执行一次）：按运行时适应度（使用/成功计数比，带预热计数 N_warm 与中性先验 f_default 处理新技能）执行状态转移：

LLM 引导变异：由外部教师模型（Kimi-K2.5，与策略异源）对中等适应度技能做改写，逆适应度加权采样——越弱的技能越优先被变异，而不是直接抛弃。最终库中 46.4% 的技能是变异产物而非种子技能。整个机制的关键：教师模型不直接产生新技能，只对「还有救」的技能做定向改造，选择压力仍来自环境适应度。

4.2 SkillCycle：蒸馏反馈的双重角色

SkillCycle 的两阶段循环（以 WebShop 为例，Student 为 Qwen2.5-3B）：

Phase 1：固定库学策略。技能库与路由器冻结，Teacher（同权重、带路由技能上下文）对 Student（无技能）的 rollout 重打分，得到 token 级符号化 OPD 差距 g_t,j。这份差距同时注入三处：优势估计（替换或混合环境奖励）、辅助损失、验证示范。路由采用关键事件优先——优先检索与当前决策关键节点相关的技能。

Phase 2：冻结策略修库。同一份 g_t,j 摇身一变成为诊断证据：

1. 定位待检决策：|g| 大的动作位置 = 学生与教师分歧显著处，大概率是规则出问题的地方；
2. 定位有影响力规则：对候选规则做「移除后重打分」，若差距显著变化则该规则有实际影响；
3. 定向编辑：结合交互结局（成功/失败），离线提议 KEEP / REWRITE / DROP / ADD 四类操作。

双层验证门（这是 SkillCycle 最硬核的设计）：每个候选编辑先过规则级配对环境对照（48 对配对执行，数净赢/净输），再过整库级门控——以 WebShop 门为例，必须同时满足：成功数严格增加、总分不降、各商品属性组不回退、零 API 错误。全部通过才提交，供养下一轮 Phase 1。实际运行中 10 个提议只有 2 个通过（详见第六部分），门的严格程度可见一斑。

4.3 SkillSandbox：围绕技能合成考场

SkillSandbox 的三组件流水线：

（1）PROPOSER：输入技能 k（condition + principle）与源轨迹，通过环境构造接口 I_E 产出程序化合成规格 δ——显式声明「哪些适用条件必须保留、哪些源任务细节应该变化」。例如 WebShop 上「降温商品要查散热参数」的技能，规格会要求保留「商品含散热属性」这一条件，但更换商品类目、价格带等细节。

（2）BUILDER：用环境真实数据（WebShop 商品库 / ALFWorld 物体表）绑定变量，生成可执行的新任务 + 新环境配置，经同一 LLM 的校验循环修正，直至产出 5 个有效验证场景。场景的「新颖性」有实证分布支撑：WebShop 上最常见的变换是编辑目标商品属性（79.6% 的场景）与降低目标排名（74.7%），确保不是源任务换皮。

（3）VERIFIER：在每个场景中有/无技能配对执行，按对齐步计算折扣回报差 ∆u，乘以可执行性指示 e（技能引导是否导致动作可执行），均值 R(k) = E[e·∆u] > 0 判 Keep。注意这个打分是效用 + 效率 + 可执行三维的——WebShop 上有技能提升了成功率却显著增加步数，只看成功率会漏判这类「得不偿失」的技能。

一个务实的发现：用执行器自身模型做 PROPOSER（Gemini 3.1 Flash）不劣于更强的 GPT-5.6 Luna（WebShop verdict F1 88.9 vs 80.0），意味着这套流程不需要昂贵的闭源大模型外脑。

4.4 三方法全景对比

五、评估指标与实验证据

5.1 SkillForge：三基准全胜 + 生命周期必要性消融

主指标为交互式 Agent 基准成功率（5 个采样种子取平均，t 检验 p<10⁻³）：

对照组覆盖：上下文/记忆类（ReAct 31.2、Reflexion 42.7、Mem0、ExpeL、MemP、SimpleMem）、RL 类（RLOO、GRPO）、记忆增强 RL（MemRL、EvolveR 等）、搜索类（Search-o1、Search-R1、ZeroSearch、StepSearch），以及闭源参考（GPT-4o ALFWorld 48.0、Gemini-2.5-Pro 60.3）——SkillForge 以 7B 开源模型大幅超过闭源模型。

消融指标是 SkillForge 真正的重头戏：去掉整个生命周期，WebShop 相对降 7.4%；逐组件拆解中预退役是最重要单组件（三环境相对降 1.8%/4.5%/2.5%）；关闭退役后 ALFWorld 库膨胀到 132 技能，成功率 91.4% 反而低于完整方法 100 技能的 92.4%（详见第六部分因果链）。训练动力学上，SkillForge 的曲线在 step 75 后与 SkillRL 拉开——稳定在约 90%，而后者在 80–88% 震荡，说明生命周期在训练后期（技能开始过时时）才兑现价值。

5.2 SkillCycle：无技能推理超越 SOTA + 库修订增益归因

主指标：no-skill Student 的成功率与 Score（推理时不带任何技能输入，这是内化路线的本职任务）：

ALFWorld 上 3B 模型四轮循环后 macro SR 82.53%（较首轮 +15.12pp，Pick2 子类 89.36% 超 OPID 的 70.00%）；1.7B 档位也拿到同档最高 Score 84.65。

库修订消融（同计算预算匹配）：Cycle 3 无技能 Student 相对静态库提升 10.18%（ALFWorld 1.7B：53.56% vs 48.61%）/ 18.11%（WebShop 3B：74.74% vs 63.28%）相对量；相对单次刷新库再提升 2.41%/2.50%。更干净的反事实：冻结策略只修库，ALFWorld 49.43%→52.45%、WebShop 57.55%→68.23%——库本身的质量提升独立于策略学习存在。

外部效度：在 DeepSeek V4-Pro、GLM-5.1、MiniMax-M3、Qwen3.6-Plus 四个 API 模型上，Skill+Router 相对 No Skill 提升 +2.167.13pp（ALFWorld）/ +1.3017.05pp（WebShop），说明技能路由的增益跨模型家族成立。

5.3 SkillSandbox：verdict 准确性 + 下游双重验证

SkillSandbox 的评估必须回答两个问题：验证判断准不准？验证过的库是否真的更好？

问题一：verdict 与 held-out 实效的一致性（WebShop）：精确率 96.0%、召回 82.8%、F1 88.9%、特异性 94.4%；verdict 分数与 held-out 效益的 Spearman ρ = 0.665。对照之下，用源任务或随机任务做验证证据的 F1 仅约 43–64%——证据来源决定验证质量。

问题二：下游性能（ALFWorld 140 官方测试任务 / WebShop 500 任务，三模型）：

与技能库类 baseline 对比：未验证库（Vanilla Skill、ReasoningBank、MemP）在多数设置低于 No Skill（Gemini ALFWorld：Vanilla 49.3% vs No Skill 56.4%）；执行验证库（ExpeL、ACE、SkillOS）中，SkillSandbox 相对最强者最高 +21.4pp（Qwen3.5-9B ALFWorld 66.4% vs ExpeL 42.1%）。同预算下用合成场景比源任务/随机任务验证出的库高至多 15.7pp。全部库中 SkillSandbox 是唯一在所有设置 Recovery > Regression 的库——助益面广、副作用面小。

六、效果优势的根源解释

6.1 根源机制与证据链

三篇论文的优势根源可以归结为同一句话：它们改变的不是「往库里加什么」，而是「信息流经技能库时的约束结构」。分四条因果链展开（以下每条均有论文实验数字支撑）：

因果链一：不验证入库 → 有害技能污染上下文 → 库比没有还差（SkillSandbox）

• 方法差异：入库前执行反事实验证 vs 直接入库；
• 机制变化：未验证库中错误程序/不可迁移知识直接进入检索上下文。证据：Vanilla Skill 在 Gemini ALFWorld 上 49.3%，低于 No Skill 的 56.4%——技能库净贡献为负；
• 指标提升：验证后 60.0%，净转正。这条链说明技能库的首要问题不是「质量不够高」而是「可能为负」——验证门的收益首先是止损，其次才是增益。（论文实验已支持）
• 深一层的原因是证据可得性：语义相似 top-10 任务仅 ≤6.66 个命中技能场景、17–32% 技能零使用，说明被动等待任务流给不了验证证据，必须主动合成——这是合成场景 F1 88.9% vs 源/随机任务 43–64% 差距的来源。（论文实验已支持）

因果链二：只增不减 → 库膨胀 → 检索噪声稀释有用技能（SkillForge）

• 方法差异：适应度驱动退役 vs append-only；
• 机制变化：关闭退役后 ALFWorld 库累积到 132 技能，超过完整方法受 S_max 约束的 100 技能，但成功率 91.4% 低于完整方法的 92.4%——库更大反而更差，直接证伪「规模驱动收益」假说，把收益归因锁定在质量控制上；（论文实验已支持）
• 机制变化的另一半：被退役的技能不再进入检索上下文，SFT 数据也经退役过滤——训练信号更干净。训练曲线在 step 75 后才与 SkillRL 拉开，与「技能过时是渐进过程」一致：训练后期过时技能积累到阈值，退役机制的止损价值才显性化；（论文实验已支持）
• 去掉整个生命周期 WebShop 相对降 7.4%、预退役是最重要单组件（相对降 1.8–4.5%），说明「垃圾不入库」比「垃圾入库后再清理」更关键——与因果链一的结论首尾呼应。（论文实验已支持）

因果链三：延迟过时 → 固定阈值误判 → 需要生命周期状态机而非单点判断（SkillForge）

• 为什么不能简单地「适应度低于阈值就删」？因为 57.2% 的退役技能曾先达到 stable 状态再衰减（峰值适应度 0.67，贴近稳定门 0.7，退役前平均跌落 0.28，平均寿命 38.0 步）——这是延迟过时的实证签名。若用入职时的单点评估，这些技能会被误留；若用即时适应度硬删，又会在其鼎盛期误杀；
• 滞回双门（晋升/退役门之间留缓冲带）+ 按变异代次差异化门槛，正是针对「适应度时序抖动」的结构性回应。变异机制补上另一环：最终库 46.4% 是变异子技能，说明「改造弱技能」比「丢弃弱技能」更划算——变异门槛更宽松是显式鼓励。（论文实验已支持）

因果链四：技能-策略能力错配 → 静态库指导失真 → 差距信号定位修订点（SkillCycle）

• 方法差异：迭代修订库 vs 静态库/单次刷新；
• 机制变化：内化让 Student 学会的部分使旧规则冗余、未学会的部分需要新覆盖——静态库两头都错。Teacher-Student 差距从单次刷新的 3.90pp 收缩到迭代修订的 2.08pp，而 Teacher 性能不变（76.82% 持平）——这个对照排除了「Teacher 变弱导致差距缩小」的解释，把增益干净地归因于 Student 真实学会；（论文实验已支持）
• 验证门拦住了带回归的编辑：三个评估种子下 10 个提议仅 2 个通过；cool-search 改写在 48 对配对执行中 3 赢 6 输，被拒——若没有门，这类「看起来合理、实际净负」的编辑会进入库并误导下一轮学习。冻结策略只修库的对照（WebShop 57.55%→68.23%）进一步把库质量增益从策略学习增益中剥离出来。（论文实验已支持）

6.2 相关工作检索与对照

本次调研范围：三篇论文的 PDF 全文（Related Work 与附录）+ arXiv abs 页交叉核对。围绕上述因果链的外部对照汇总如下（标注证据等级）：

诚实报告：在本次检索范围内（三篇 PDF + arXiv abs 页），未发现公开反驳「技能库需要生命周期治理」这一主张的同期工作；也未找到独立于这三篇、直接测量「延迟过时签名」（技能先达 stable 再衰减的比例）的先行研究——该 57.2% 数字目前是 SkillForge 的独家测量。跨论文互证（三篇独立团队、不同机制、结论方向一致）是当前最强外部证据，但仍属同批 arXiv 工作，缺乏时间检验。

6.3 综合判断与未决问题

得到多项研究共同支持的机制：

1. 未验证的技能库可能为负资产——SkillSandbox 的 Vanilla/MemP 低于 No Skill、SkillForge 预退役为最重要单组件，两条独立证据链一致；
2. 库质量 > 库规模——SkillForge 关闭退役的 132 技能反不如 100 技能、SkillSandbox 合成场景验证库同预算下高至多 15.7pp，均直接对照规模假说；
3. 验证/编辑必须过执行门——SkillCycle 的 10 选 2 与 SkillSandbox 的三维打分都表明：文本层面「看起来对」的编辑与执行层面「实际有效」之间有巨大鸿沟。

仍属推测的机制（标注为阅读者推测）：

1. SkillForge 的变异收益可能部分依赖教师模型（Kimi-K2.5）与策略的能力差——若教师弱于策略，变异方向是否仍可靠，论文未测；
2. SkillCycle 的验证门在长尾场景可能过严（10 选 2 的通过率下，保守性会不会累积成「库进化过慢」），论文的单轮分析不足以排除；
3. 三篇方法能否串联（Sandbox 验证入库 → Forge 治理库内 → Cycle 内化毕业）未经联合实验验证，接口冲突（如两套验证标准）是潜在风险。

适用条件：三篇的收益均在「策略/任务分布会变化」的动态设定下取得；若环境与策略都冻结，append-only 库的退化压力小得多（Voyager 的成功即是例证）。失效条件方面，SkillSandbox 在回报稀疏环境（ALFWorld）判别力下降已如上表所述。

七、必要知识反推

假设一个完全没有背景的人要做出这三篇论文，他最少必须知道什么？

7.1 领域知识层

• LLM Agent 的技能/记忆机制：技能 = (适用条件, 行动原则) 的结构、检索注入上下文的用法、上下文窗口的容量与干扰约束——不理解「技能如何被消费」，就无法理解垃圾技能为何有毒（因果链一的起点）；
• RL 训练动力学：GRPO 的 rollout/优势估计、训练中策略能力的非平稳性——这是「技能会过时」的物理基础，也是 SkillForge 把生命周期嵌进训练循环（而非事后清理）的理由；
• 知识蒸馏：Teacher-Student 框架、token 级对数概率差距的含义——SkillCycle 的全部创新建立在这份差距的可计算性上。

7.2 方法论知识层

• 进化算法/遗传编程：种群、适应度、选择、变异——SkillForge 的生命周期状态机是这套语言的直接移植，滞回双门对应进化策略中的精英保留与探索平衡；
• 实验设计与反事实推断：配对对照、A/B 测试、混杂控制——SkillSandbox 的配对执行与 SkillCycle 的双层验证门都是经典实验设计在 Agent 环境的实例化；
• 前序工作的失败模式：知道 ExpeL/Voyager/SkillRL 的库为什么不退役（默认 append-only）、知道未验证库低于 No Skill 的实证——才能把「生命周期」识别为被遗漏的变量。

7.3 工程知识层

• 交互式环境模拟器：ALFWorld 任务族、WebShop 商品库与属性结构——SkillSandbox 的 BUILDER 依赖环境数据的程序化可组合性（这是它目前限于这两环境的原因）；
• 大规模 RL 训练栈：verl + GRPO + 64×H200 的工程配置、多种子统计检验（t 检验 p<10⁻³）——SkillForge 的结论可信度建立在实验规模上；
• 评估协议设计：held-out 一致性检验（verdict F1）、计算预算匹配的消融对照——三篇论文的消融能「建立因果」而非「罗列数字」，靠的是这些协议设计。

7.4 知识融合的关键节点

• 节点一（SkillForge）：把「技能库」从数据结构视角切换为种群生态视角——需要同时懂 RL 训练动力学与进化算法，才能想到「退役门槛按变异代次差异化」这种横跨两个领域的机制；
• 节点二（SkillCycle）：识别出蒸馏差距的双重角色——需要同时把 g_t,j 看作优化信号（训练视角）与观测信号（诊断视角），这个视角切换是全文唯一核心洞察，其余都是工程展开；
• 节点三（SkillSandbox）：把「验证技能」从挑选任务（被动）反转为构造任务（主动）——需要实验设计思维（反事实）+ 环境程序化知识（可合成性）的融合；
• 跨论文的元融合：三篇都把「技能库」从静态资产重新定义为有生命周期的过程——这个统一视角本身是 2026 年这个研究方向最重要的概念供给。

八、论文中可以提取的通用性灵感（三篇合并）

灵感一：资源池必须有死亡机制

• 核心思想：任何只增不减的积累结构（库、缓存、规则、组织编制）都会随环境漂移积累过时项，收益来自质量控制而非规模；
• 论文证据：SkillForge 关闭退役后 132 技能反不如 100 技能（91.4% vs 92.4%）；去生命周期 WebShop 相对降 7.4%；
• 推广场景：(1) RAG 文档库的定期退役（过时文档比没有文档更误导）；(2) 特征库/规则引擎的漂移治理（风控规则池）；(3) 代码库死代码与技术债管理；(4) 组织知识库（Wiki）的过期页面清理；(5) 多智能体系统中工具注册表的淘汰机制。

灵感二：衰减是延迟的，单点评估必然误判

• 核心思想：资源的价值时序是波动的，入职评估与即时指标都不可靠，需要带状态机的持续跟踪；
• 论文证据：57.2% 的退役技能曾先达 stable 再衰减（延迟过时签名），逼迫设计滞回双门而非单阈值；
• 推广场景：(1) 员工绩效评估（一次评审 vs 持续跟踪）；(2) 药物有效性的长期监测（上市后 pharmacovigilance）；(3) 基金经理的业绩归因（运气 vs 能力的时序分离）；(4) A/B 测试特性的长尾回归监测。

灵感三：验证证据要「围绕对象构造」，而不是「等待自然发生」

• 核心思想：当被动观测提供不了对象特定证据时，主动构造最小实验场景是唯一出路；
• 论文证据：语义相似任务仅 ≤6.66/10 命中技能场景，合成场景把 verdict F1 从 43–64% 提到 88.9%；
• 推广场景：(1) 单元测试的定向用例生成（为每个函数构造边界场景）；(2) 推荐系统冷启动（为新物品合成曝光实验）；(3) 员工候选人的情境面试（assessment center 就是「围绕人构造任务」）；(4) 硬件模糊测试的定向输入合成；(5) 科学实验中的实验设计（DOE）自动化。

灵感四：一份信号可以有两个角色

• 核心思想：优化过程中产生的残差/差距信号，既是训练目标也是诊断工具——「误差」本身就是信息；
• 论文证据：SkillCycle 的 token 级差距 g_t,j 既当优势注入又当规则定位器，Teacher-Student 差距从 3.90pp 收缩到 2.08pp 且 Teacher 不变；
• 推广场景：(1) 学生错题分析（错在哪 = 既是练习重点也是教材修订点）；(2) 残差诊断（回归残差既改进模型又发现数据质量问题）；(3) GAN 判别器特征（既训练生成器又做异常检测）；(4) 编译器 warning（既是修复清单也是语言设计反馈）。

灵感五：变更必须过配对执行门才能合入

• 核心思想：文本/直觉层面「看起来合理」的修改，与执行层面「实际有效」之间有系统性鸿沟，合入前的配对对照是不可妥协的；
• 论文证据：SkillCycle 验证门 10 提议仅 2 通过（cool-search 改写 3 赢 6 输被拒）；SkillSandbox 三维打分暴露「提成功但增步数」的隐性回归；
• 推广场景:(1) 数据库 schema 变更的影子对比（shadow traffic）；(2) 法规修订的影响评估（regulatory impact assessment）；(3) 大模型 prompt/系统提示的版本管理（每次改动跑回归评测集）；(4) 医疗指南更新的临床试验门。

灵感六：能力内化后，指导材料要同步修订

• 核心思想：当学习者成长后，教材与学习者的关系必须重新校准——否则教材从助力变成天花板；
• 论文证据：静态库下内化 Student 只有 63.28%（WebShop），迭代修订后 74.74%（相对 +18.11%）；冻结策略仅修库即从 57.55% 提到 68.23%；
• 推广场景：(1) 企业新人培养 SOP 的随成长降级（熟练后 SOP 要简化/撤除）；(2) 辅助驾驶的权限随驾驶员状态动态调整；(3) 教育中的脚手架撤除（scaffolding fading，维果茨基理论的工程化）；(4) 团队管理授权尺度的动态放宽。

附录

A. SkillFurnace 数据集（SkillForge 发布，CC-BY-4.0）：共 5,852 条记录，含 1,013 条退役过滤 SFT 轨迹 + 4,521 条带适应度标注的库快照 + 318 条人工标注退役事件（8 类失败分类）。失败分类中「过度刚性排序」（技能强加固定程序序列，遇到边缘案例崩溃）占 74.5% 居首，「过度具体」占 9.4%——这份分类本身就是「技能为什么会过时」的实证教材。

B. SkillSandbox 场景变换分布（WebShop 附录）：合成场景的常见变换为编辑目标商品属性（79.6%）、降低目标排名（74.7%）、更换目标选项（21.4%）、约束物体可得性、要求状态变更、添加搜索干扰项等——变换的多样性是「新颖而非换皮」的机制保障。

C. 三篇论文的开源状态：SkillForge 未放代码但发布 SkillFurnace 数据集；SkillCycle 称将发布代码、配置、技能库与评估协议；SkillSandbox 正文仅 [CODE] 占位。复现者需自行按论文附录的超参（如 δ_stable=0.7、N_warm 预热计数、锻造周期 10 步）搭建基线。