通过大规模挖掘开源智能体仓库实现技能获取自动化：多智能体程序性知识抽取框架

从单体式大语言模型（LLM）向模块化、配备技能的智能体的转变，代表了人工智能部署中的一次根本性架构变迁。尽管通用模型在陈述性知识方面展现出惊人的广度，但其在自主工作流中的效用常常受制于专门程序性专长的不足。本报告研究一个系统化框架，通过挖掘GitHub等平台上的开源仓库来自动获取高质量智能体技能。我们聚焦于从TheoremExplainAgent和Code2Video等最先进系统中抽取可视化与教育能力，二者均使用Manim数学动画引擎。该框架涵盖仓库结构分析、通过稠密检索进行的语义技能识别，以及向标准化SKILL.md格式的转换。我们证明，从智能体仓库中进行系统化抽取，结合严格的安全治理与多维评估指标，能够以可扩展的方式获取程序性知识，从而在无需模型重训练的情况下增强LLM能力。我们的分析显示，智能体生成的教育内容可在知识传递效率上取得40%的提升，同时保持与人工制作教程相当的教学质量。