从原始经验到技能消耗：模型生成的智能体技能的系统性研究
原帖
**从原始经验到技能消耗：模型生成的智能体技能的系统性研究**
_From Raw Experience to Skill Consumption: A Systematic Study of Model-Generated Agent Skills_
> 该论文系统研究了语言智能体通过复用技能提升性能的过程。研究构建了一个基于效用的评估框架，覆盖五个不同的智能体任务领域，分析技能生成、提取和消耗的全生命周期。结果表明，模型生成的技能平均有益，但存在显著的负迁移现象，且不同模型在提取和消耗技能时表现差异大，技能效用与模型规模或基线任务强度无关。论文深入剖析了经验组成、技能属性及其跨消费者迁移机制，并提出了一个指导技能提取的元技能，能有效提升技能质量并减少负迁移。
**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-05-25 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.23899)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
该论文系统研究了语言智能体通过复用技能提升性能的过程。研究构建了一个基于效用的评估框架，覆盖五个不同的智能体任务领域，分析技能生成、提取和消耗的全生命周期。结果表明，模型生成的技能平均有益，但存在显著的负迁移现象，且不同模型在提取和消耗技能时表现差异大，技能效用与模型规模或基线任务强度无关。论文深入剖析了经验组成、技能属性及其跨消费者迁移机制，并提出了一个指导技能提取的元技能，能有效提升技能质量并减少负迁移。
答案说明
论文系统研究了语言智能体通过复用技能提升性能的过程。研究构建了一个基于效用的评估框架，覆盖五个不同的智能体任务领域，分析技能生成、提取和消耗的全生命周期。结果表明，模型生成的技能平均有益，但存在显著的负迁移现象，且不同模型在提取和消耗技能时表现差异大，技能效用与模型规模或基线任务强度无关。论文深入剖析了经验组成、技能属性及其跨消费者迁移机制，并提出了一个指导技能提取的元技能，能有效提升技能质量并减少负迁移。
这篇帖子回答的问题
- 该论文研究了语言智能体通过复用技能提升性能的哪个过程？
- 模型生成的技能在跨模型迁移时存在什么现象？
核心观点
- 模型生成的技能平均有益，但存在显著的负迁移现象，且不同模型在提取和消耗技能时表现差异大。
- 论文提出了一个指导技能提取的元技能，能有效提升技能质量并减少负迁移。
FAQ
- Q: 该论文研究了什么内容？
- A: 该论文系统研究了语言智能体通过复用技能提升性能的过程。研究构建了一个基于效用的评估框架，覆盖五个不同的智能体任务领域，分析技能生成、提取和消耗的全生命周期。
- Q: 研究的主要发现是什么？
- A: 模型生成的技能平均有益，但存在显著的负迁移现象，且不同模型在提取和消耗技能时表现差异大，技能效用与模型规模或基线任务强度无关。
关键实体
- 语言智能体
- 技能提取的元技能