https://inkeast.github.io/MessageDaily/tags/skill/Recent content in Skill on MessageDailyHugozh-cnFri, 02 Oct 2026 00:00:00 +0000https://inkeast.github.io/MessageDaily/posts/2026-10-02-skill-lifecycle-trio-paper-reading/Fri, 02 Oct 2026 00:00:00 +0000https://inkeast.github.io/MessageDaily/posts/2026-10-02-skill-lifecycle-trio-paper-reading/合读精读三篇覆盖 Skill 全生命周期的新作：SkillFM 用潜空间流匹配把「从库里检索 skill」变成「单步直接生成」；Prompt2Skill 在零训练样本、零权重更新前提下仅凭一句任务描述无监督定制 skill；SkillGym 从 18.4 万社区 skill 反向合成 6.8K 可验证训练环境，教会模型「用 skill」（Trigger 行为 28%→96%）。三篇共同指向 Anthropic Agent Skills 生态爆发后的 skill 资产化浪潮：生成、定制、训练三阶段互补成一套完整的 skill 工程闭环。https://inkeast.github.io/MessageDaily/posts/2026-10-02-skill-generalization-duet-paper-reading/Fri, 02 Oct 2026 00:00:00 +0000https://inkeast.github.io/MessageDaily/posts/2026-10-02-skill-generalization-duet-paper-reading/本文合读同日发布于 arXiv 的两篇 Skill 论文：大阪大学 GSO 首次系统度量 skill 过拟合——21 个训练增益 skill 仅 5 个全保真、3 个归零，并提出改学「元技能」（学写法不学内容），在全部 6 基准领先（SWE-bench 47.5 vs 25.0）；上科大+美团 Rep2Skill 证明文本轨迹归因太粗（AUROC 0.494），引入隐藏态轨迹+Neural CDE 定位偏离成功动力学的关键轮次（AUROC 0.838），ALFWorld Qwen3.5-9B 达 69.90%。两篇一体两面，共同回答「skill 自进化的信号应从哪里来」。https://inkeast.github.io/MessageDaily/posts/2026-09-12-synthetic-data-hurts-skill-retrieval-paper-reading/Sat, 12 Sep 2026 00:00:00 +0000https://inkeast.github.io/MessageDaily/posts/2026-09-12-synthetic-data-hurts-skill-retrieval-paper-reading/Manulife（加拿大金融集团）实证研究：Agent 技能检索器用合成任务微调后，最激进配置下 OOD recall 从 0.850 跌至 0.650（−20pp）；合成数据使 Hit@10 持平但 Recall@10 −0.021——部分重排把额外正确技能挤出 top-10。同时证明 0.6B 紧凑检索器可追平更大混合系统：监督质量>模型规模。skill 数据飞轮假设的第一份系统性反例。https://inkeast.github.io/MessageDaily/posts/2026-09-10-agentleak-capability-cloning-paper-reading/Thu, 10 Sep 2026 00:00:00 +0000https://inkeast.github.io/MessageDaily/posts/2026-09-10-agentleak-capability-cloning-paper-reading/偷到强 Agent 的技能文件，就能复制它的能力吗？本文给出否定答案并定义了’技能执行鸿沟’：技能规定做什么，而任务分解、工具选择、结果验证等隐式程序行为由强 Agent 在执行中现场补充——弱 Agent 拿到同一技能仍然完不成任务。更关键的发现是：这道鸿沟本身是泄漏面——对比受害 Agent 的成功执行与攻击者的失败执行，缺失的能力关键行为暴露无遗。AgentLeak 据此实现黑盒能力克隆：20 场景 600 实例上，比直接技能复用 pass rate 高 40%+、恢复 80%+ 能力差距，且模型/harness/工具全部不变。https://inkeast.github.io/MessageDaily/posts/2026-09-10-experience-funnel-state-policy-loop-paper-reading/Thu, 10 Sep 2026 00:00:00 +0000https://inkeast.github.io/MessageDaily/posts/2026-09-10-experience-funnel-state-policy-loop-paper-reading/自进化 Agent 面临双时间尺度困境：文本状态（技能/记忆）快而外部依赖重，参数策略持久而更新慢。华为与港理工的 Experience Funnel 用交替环打通两者：轨迹先蒸馏为显式状态快速适配，再选择性把’跨状态修订仍有效’的行为经 transition-aware distillation 固化入策略——经验像漏斗一样从原始轨迹逐级过滤为可复用能力。多基准上一致超越 state-only 进化与 policy-internalization 两条单路线。https://inkeast.github.io/MessageDaily/posts/2026-09-09-embodiedskills-vla-agent-framework-paper-reading/Wed, 09 Sep 2026 00:00:00 +0000https://inkeast.github.io/MessageDaily/posts/2026-09-09-embodiedskills-vla-agent-framework-paper-reading/浙大×云深处科技等推出 EmbodiedSkills：把每个技能决策当作执行提案，守卫运行时执行前验证前置条件、执行后验证结果，固定的可执行技能契约连接 Qwen3-VL 高层选择与 π0.5 低层执行。RoboTwin 2.0 全 50 任务宏平均 86.20%（π0.5 基线 82.74%），LIBERO 四套件 97.40%，并诚实暴露记忆依赖任务 12.5% 的缺口。https://inkeast.github.io/MessageDaily/posts/2026-09-08-coskill-meta-skill-agents-paper-reading/Tue, 08 Sep 2026 00:00:00 +0000https://inkeast.github.io/MessageDaily/posts/2026-09-08-coskill-meta-skill-agents-paper-reading/中科院自动化所×人大的 CoSkill 把静态元技能工作流重构为可学习的 Meta-Skill Agent，与 Reasoning Agent 共享单骨干联合 RL：推理智能体条件于检索到的任务技能与子技能，任务表现反向指导元技能精炼。ALFWorld 98.4%（+3.5pp）、WebShop 90.6%（+6.2pp），样本效率与墙钟效率全面占优。本文精读’技能从被动对象到主动协作者’的范式转变。https://inkeast.github.io/MessageDaily/posts/2026-08-08-vag-skill-contamination-paper-reading/Sat, 08 Aug 2026 00:00:00 +0000https://inkeast.github.io/MessageDaily/posts/2026-08-08-vag-skill-contamination-paper-reading/深度精读浙江大学 VaG（Verifier-as-Gatekeeper）论文——首个正面刻画「自进化 Agent 中能力-污染相变」现象的工作。论文首次形式化了「技能池超过临界规模后新增技能反而降低性能」的非单调相变，并从数学上证明污染链具有结构不可逆性：有缺陷技能进入决策上下文后，其后代继承缺陷推理却从不引用原始缺陷源，导致事后回滚恢复率仅17%。VaG 采用「渐进信任层次 + 异构验证器检查不相交属性」的三级前commit门控（SchemaCritic 结构检查 / ExecCritic held-out重放 / AgentCritic 语义审查），配合边际增益贪心子集选择移除组合污染，在 Terminal-Bench 2 上以仅37个技能达到72% pass@1（Ungated崩溃至50%），技能池缩小近5倍，并在跨模型、跨基准迁移上全面领先。本文从背景、关联工作、问题抽象、三级门控解法、实验证据到不可逆性根源解释，完整拆解这一「前commit优于事后修复」的开创性研究，并提炼出可推广的系统安全设计灵感。