Learner2Skill 把学习者历史交互外化为可复用模拟技能，在降低 token 成本的同时更忠实复现细粒度学习行为
相关研究与后续进展
核心概要
该工作提出 Learner2Skill，把从历史交互中获得的学习者模拟能力外化为一个持久、可复用的 Simulation Skill，该技能记录学习者当前学习状态与反复出现的响应模式，并随新的真实交互演化，还能通过轻量级执行器校准迁移到新的 LLM；实验显示它更忠实地复现细粒度学习者行为、降低总体 token 成本，且同一构建出的技能可在不同 LLM 执行器间有效复用。
Figure 1 : Comparison of (a) existing LLM simulation agents that progressively model learners from interaction histories, and (b) Learner2Skill, which constructs reusable Simulation Skills for cross-executor simulation and online evolution.
arXiv深度剖析
提出 Learner2Skill，将学习者模拟能力从不断增长的交互历史中解耦，外化为持久且可复用的 Simulation Skill。 既有方法往往需要反复处理不断增长的交互历史来重建学习者，而该工作把模拟能力本身作为可保存、可复用的对象。 摘要层面陈述的方法设计，原文以“externalizes the simulation capability acquired from historical interactions into a persistent and reusable Simulation Skill”描述该机制。
该 Skill 同时编码学习者当前学习状态与反复出现的响应模式，并随新的真实交互持续演化。 模拟能力不是一次性拟合的静态画像，而是随真实交互到达而更新的状态化表示。 摘要中“captures the learner's current learning state and recurring response patterns, evolves as new real interactions arrive”为直接依据。
通过轻量级执行器校准，同一 Skill 可适配到新的 LLM，无需从头重建学习者。 把学习者特定能力与具体 LLM 执行器分离，使跨模型复用成为可能，而非每个模型重新拟合。 摘要明确给出“adapted to a new LLM through lightweight executor calibration without reconstructing the learner from scratch”。
实验显示该方法更忠实地复现细粒度学习者行为、降低总体 token 成本，且构建出的 Skill 可在不同 LLM 执行器间有效复用。 在保真度与推理成本两个维度同时给出改进，并验证跨执行器迁移。 摘要报告“more faithfully reproduces fine-grained learner behavior while reducing overall token cost”以及“the same constructed Skills can be effectively reused across different LLM executors”；具体数据集、基线与数值未在给定文本中列出。
启示与展望
该工作面向需要在新任务上复现特定学习者行为的学习者模拟场景，适用于拥有历史交互记录、并希望把模拟能力长期保存与跨模型迁移的设定。其设计意图是让技能随真实交互演化，并通过轻量级执行器校准接入新的 LLM，因此对需要频繁更换底层模型或长期维护学习者画像的应用尤为相关。
给定文本未列出实验所用数据集、任务类型、基线方法、评价指标、样本规模与具体数值，因此保真度提升与 token 成本下降的幅度无法在此判断。技能随交互演化的更新机制、执行器校准的具体形式与所需数据量也未在文本中说明。跨 LLM 复用的有效性在不同模型规模或架构下是否一致，属于仍需在原文中确认的开放问题。