AutoSkill:基于技能自演化的经验驱动终身学习

摘要

在实际LLM应用中，用户反复表达稳定的偏好与要求，例如减少幻觉、遵循机构写作规范或避免过于技术化的措辞，但这类交互经验很少被沉淀为可复用知识。因此，LLM智能体往往无法跨会话积累个性化能力。我们提出AutoSkill，一个经验驱动的终身学习框架，使LLM智能体能够从对话与交互轨迹中自动派生、维护和复用技能。AutoSkill从用户经验中抽象技能，支持其持续自演化，并把相关技能动态注入未来请求，而无需重新训练底层模型。它被设计为模型无关的插件层，与现有LLM兼容，并引入标准化的技能表示以支持跨智能体、用户和任务的共享与迁移。由此，AutoSkill把转瞬即逝的交互经验转化为显式、可复用、可组合的能力。本文描述AutoSkill的动机、架构、技能生命周期与实现，并将其与记忆、检索、个性化和Agentic系统方面的先前工作进行定位比较。AutoSkill凸显了通往终身个性化智能体和个人数字替身的一条实用且可扩展的路径。

AutoSkill:基于技能自演化的经验驱动终身学习 — 图1：我们 AutoSkill 的框架，由两个紧密耦合的过程组成。上方的回路为技能演化（skill evolution），通过抽取与维护将交互经验转化为显式技能。下方的回路为技能增强的经验获取（skill-enhanced experience acquisition），利用当前技能库，通过查询重写、技能检索与上下文注入来支持回答生成。通过这种方式，系统经由显式记忆增长而非模型微调持续改进。