论文

SkillNet:创建、评估和连接AI技能

SkillNet: Create, Evaluate, and Connect AI Skills

Yuan Liang, Ruobin Zhong, Haoming Xu, Chen Jiang, Yi Zhong, Runnan Fang, Jia-Chen Gu, Shumin Deng, Yunzhi Yao, Mengru Wang, Shuofei Qiao, Xin Xu, Tongtong Wu, Kun Wang, Yang Liu, Zhen Bi, Jungang Lou, Yuchen Eleanor Jiang, Hangcheng Zhu, Gang Yu, Haiwen Hong, Longtao Huang, Hui Xue, Chenxi Wang, Yijun Wang, Zifei Shan, Xi Chen, Zhaopeng Tu, Feiyu Xiong, Xin Xie, Peng Zhang, Zhengke Gui, Lei Liang, Jun Zhou, Chiyu Wu, Jin Shang, Yu Gong, Junyu Lin, Changliang Xu, Hongjie Deng, Wen Zhang, Keyan Ding, Qiang Zhang, Fei Huang, Ningyu Zhang, Jeff Z. Pan, Guilin Qi, Haofen Wang, Huajun Chen来源日期：2026.02.26

智能体系统上下文与知识本体Agent Skills

摘要

目前的人工智能体可以灵活调用工具并执行复杂的任务，但由于缺乏系统的技能积累和转移，阻碍了其长期发展。如果没有统一的技能巩固机制，代理经常会“重新发明轮子”，在孤立的环境中重新发现解决方案，而不利用先前的策略。为了克服这一限制，我们引入了 SkillNet，这是一个开放的基础设施，旨在大规模创建、评估和组织人工智能技能。 SkillNet 在统一的本体中构建技能，支持从异构来源创建技能，建立丰富的关系连接，并在安全性、完整性、可执行性、可维护性和成本意识方面进行多维度评估。我们的基础设施集成了超过 200,000 项技能的存储库、交互式平台和多功能 Python 工具包。 ALFWorld、WebShop 和 ScienceWorld 上的实验评估表明，SkillNet 显着提高了代理性能，将多个骨干模型的平均奖励提高了 40%，并将执行步骤减少了 30%。通过将技能形式化为不断发展的、可组合的资产，SkillNet 为代理从短暂的经验转变为持久的掌握提供了坚实的基础。

SkillNet:创建、评估和连接AI技能 — 图6：不同方法与模型之间的性能比较。结果表明，SkillNet 持续超越 React 与 Few-shot 基线，在 ALFWorld、WebShop 与 ScienceWorld 上取得显著更高的平均奖励（上）并降低平均步数（下）。