腾讯开源SkillHone：让AI Agent技能进化告别「失忆症」

在AI Agent开发实践中，技能（Skill）已成为扩展大语言模型能力的重要单元。无论是Claude Code、OpenAI Codex还是各类Agent框架，Skill都将任务说明、可执行脚本、参考文档和输出约定打包成可热插拔的操作手册。然而，一个长期被忽视的问题正困扰着开发者：当Skill在多轮优化中不断迭代时，决策过程中的关键上下文——为什么这样改、哪些方案被拒绝、评估发现了什么——往往随着最终产物的交付而彻底丢失。

SkillHone的核心设计：双仓库与角色隔离

这带来的后果远比想象中严重。以一个真实场景为例：两周前开发者调试好的搜索脚本因第三方接口变更而失效，优化后的新方案绕过了重试逻辑以提升整体效率。然而当下一轮优化启动时，后续Agent只拿到最新的SKILL.md快照，不知道"重试逻辑曾被测试并因拖慢流程而被拒绝"这一关键信息，恰好将已被证伪的方案又加了回去。这不是模型不够聪明，而是决策上下文在轮次之间断层了。

决策历史：比Git Diff更珍贵的知识资产

针对这一痛点，SkillHone框架提出了系统化解决方案。其核心设计包含两个关联仓库和三类执行角色：Skill仓库存储当前技能包的所有文件（SKILL.md、脚本、参考文档等），Skill-Eval仓库则存放评估资产（练习探针、验证器、执行轨迹、脱敏报告）。框架引入三类角色协同工作：优化Agent团队负责诊断问题、提出修订方案；评估Agent团队负责在探针上运行候选Skill并输出脱敏报告；调度器则作为消息路由器，负责在两侧之间转发信息并记录决策结果。

实验验证：裸网设定下的显著优势

SkillHone的核心创新在于将每轮优化记录为包含四个要素的决策记录：诊断信息（D）——当前失败模式是什么；候选修订（C）——打算如何修改Skill；脱敏证据（E）——探针运行后的反馈摘要；决策结果（A）——接受、拒绝或暂缓。这种结构化记录与Git diff的本质区别在于：diff只描述"变了什么"，而决策记录将变化绑回到"针对什么问题、依据什么证据、为什么接受或拒绝"。当环境再次变化时，后续Agent可以检索历史记录，判断这是新故障还是旧问题复发，避免将已经证伪的补丁重新引入。

论文选用Deep Research场景进行评测，该场景天然需要可复用的Skill来处理搜索、导航、抽取、验证和失败恢复等任务。在裸网开放网页设定下（无预集成搜索栈），SkillHone在GAIA基准上达到64.6%，比使用商业检索服务的Deep Research Agent（48.8%）高出15.8个百分点；在WebWalkerQA-EN上达到66.4%，同样领先3.2个百分点。值得注意的是，SkillHone的增益主要集中在L2中等难度任务（多步推理和跨源验证），相比Hermes-SE方法提升25.8个百分点，证明了流程组织而非组件堆叠是性能提升的关键。此外，将同一Skill包迁移到Claude Sonnet 4.6上执行，SkillHone仍保持10.2个百分点的领先，证明提升来自Skill流程本身而非过拟合特定模型。

如有侵权，请联系删除。