# 技能优化

Prompt2Skill 提出一个多智能体框架，仅从自然语言任务描述出发，由 Data Agent 推导任务规范并通过检索、改写与合成构建代理数据池，再由 Skill Agent 用执行反馈、反思式编辑和配对统计筛选迭代优化技能，在问答、阅读理解、表格操作与数学推理四个基准、五个开源与商用目标模型上平均相对优于直接提示 36.1%、优于现成技能 83.0%，且未出现显著退化。

Prompt2Skill 提出一个多智能体框架，仅从自然语言任务描述出发，由 Data Agent 推导任务规范并通过检索、改写与合成构建代理数据池，再由 Skill Agent 用执行反馈、反思式编辑和配对统计筛选迭代优化技能，在问答、阅读理解、表格操作与数学推理四个基准、五个开源与商用目标模型上平均相对优于直接提示 36.1%、优于现成技能 83.0%，且未出现显著退化。

该工作提出检索增强技能优化（RASO）框架，从公开技能库中按章节检索相关知识，并通过跨环境适配把检索内容改写为目标任务与执行环境可用的形式，其中 RASI 在不做任何智能体 rollout 的情况下构建初始技能，RASU 依据执行反馈检索缺失知识迭代更新技能；在 OfficeQA、SpreadsheetBench、ALFWorld、WebShop 四个基准和 GPT-5.6-Luna、Qwen-3.5-9B 两个模型上，RASO 一致优于无检索增强的初始化与更新基线。

该工作提出检索增强技能优化（RASO）框架，从公开技能库中按章节检索相关知识，并通过跨环境适配把检索内容改写为目标任务与执行环境可用的形式，其中 RASI 在不做任何智能体 rollout 的情况下构建初始技能，RASU 依据执行反馈检索缺失知识迭代更新技能；在 OfficeQA、SpreadsheetBench、ALFWorld、WebShop 四个基准和 GPT-5.6-Luna、Qwen-3.5-9B 两个模型上，RASO 一致优于无检索增强的初始化与更新基线。

该工作把 LLM 智能体的技能表示为图结构的自然语言产物（节点为执行步骤及其操作指引，有向边编码依赖上下文的步骤转移），并在此基础上提出基于种群的进化优化框架 GraphSkillEvo，用全局指引变异、图结构变异、全局指引交叉、图结构交叉四个算子迭代搜索技能，在五个智能体基准、两个 LLM 与两种执行环境下平均优于技能优化基线 SkillOpt（GPT-5.4-nano 上 +4.01%，GPT-5.4 上 +1.76%），且总优化 token 消耗更低。

该工作把 LLM 智能体的技能表示为图结构的自然语言产物（节点为执行步骤及其操作指引，有向边编码依赖上下文的步骤转移），并在此基础上提出基于种群的进化优化框架 GraphSkillEvo，用全局指引变异、图结构变异、全局指引交叉、图结构交叉四个算子迭代搜索技能，在五个智能体基准、两个 LLM 与两种执行环境下平均优于技能优化基线 SkillOpt（GPT-5.4-nano 上 +4.01%，GPT-5.4 上 +1.76%），且总优化 token 消耗更低。