RASO 用外部技能库检索加跨环境改写，在四个智能体基准和两个模型上超过无检索的技能优化方法

RASO 把外部技能库当作技能优化全程的先验知识，而不是只在测试时检索或只在初始化时使用一次。 既有技能优化方法主要依赖智能体自身 rollout 经验迭代改写技能，外部技能库这一积累基本未被利用；RASO 让检索同时服务于初始化与更新两个阶段。 论文在四个基准、两个模型上做了对比实验，并给出消融：相对 RFSI+RFSU 基线，仅换用 RASU 在 OfficeQA 从 40.70 升到 47.56、SpreadsheetBench 从 51.67 升到 61.07；仅换用 RASI 则升到 45.93 与 58.45；两者合用达到 49.03 与 63.33。

跨环境适配是让检索知识可用的关键操作：它剥离源领域专有表述，把底层流程用目标环境的对象、命令和单位重新表达。 直接复用检索到的技能可能无效甚至有害，因为源技能写的是别的任务和别的工具假设；论文把这种不匹配显式建模为需要改写的环节。 消融显示加入适配后，RASI 在 OfficeQA 从 41.86 升到 45.74、SpreadsheetBench 从 41.43 升到 49.17；RASU 在同一 RASI 初始化下从 46.70 升到 49.03、从 57.86 升到 63.33。SkillRouter 只检索不适配，在若干基准上甚至低于无技能基线。

RASI 能在零 rollout 条件下产出强初始技能，RASU 则用执行反馈定位失败模式并检索对应知识做迭代精炼。 把初始技能的构造本身纳入技能优化问题，而不是假定初始技能由外部提供；更新阶段用文本梯度加检索查询共同驱动改写。 GPT-5.6-Luna 上 RASI 相对无检索初始化 RFSI 提升 +5.63（OfficeQA）、+4.77（Spreadsheet）、+3.24（ALFWorld）、+1.17（WebShop）；Qwen-3.5-9B 上提升 +5.61、+2.74、+5.72、+10.73。RASO 相对各基准最强对比方法提升 +3.49、+6.31、+1.49、+1.07（GPT-5.6-Luna）与 +4.85、+1.79、+7.47、+11.30（Qwen-3.5-9B）。

检索规模与语料规模存在收益区间：检索章节数从 1 增到 5 时性能上升，增到 10 时略有下降；语料只用 1% 就已优于不检索。 给出了检索增强技能优化中知识覆盖与检索噪声之间的经验权衡，并说明收益来自多样外部知识的适配而非某几篇特定文档。 论文报告在 OfficeQA 与 SpreadsheetBench 上 k=5 时性能最高，k=10 时两者均略有下降，因此全部实验取 k=5；语料规模实验显示随语料增大性能总体继续提升，SpreadsheetBench 上增益最大。

该结果面向以自然语言技能文本作为决策变量、模型权重冻结的智能体设定，适用于有明确任务描述与执行环境描述、且能获得执行反馈与验证集的场景。它使公开技能库成为可复用的先验来源：对希望降低 rollout 成本的技能构建者，RASI 提供了零 rollout 的初始技能路径；对已有技能优化流程的团队，RASU 可作为在相同初始化下替换更新步骤的组件。论文的评估覆盖文档问答、表格操作、文本具身环境与网页购物四类交互，并明确对语料做了按基准的屏蔽处理，以避免检索到针对评测基准编写的技能。

论文正文以摘要、方法、实验表格与附录形式呈现，未展开的细节包括适配智能体提示的具体措辞、检索查询生成的质量评估，以及跨环境适配在源技能与目标环境差异极大时的失效边界。语料屏蔽采用关键词匹配加仓库级排除，仍可能存在未被关键词命中的基准相关技能，这一点论文以保守排除的方式处理但未给出残余风险的量化。此外，四个基准的测试规模差异较大（OfficeQA 172 题、SpreadsheetBench 280 题、ALFWorld 134 局、WebShop 500 条指令），不同基准上的增益幅度不宜直接横向比较。