Trace2Skill：将轨迹局部经验蒸馏为可迁移的智能体技能

为大语言模型 (LLM) 代理配备特定领域的技能对于处理复杂任务至关重要。然而，手动创作造成了严重的可扩展性瓶颈。相反，自动化技能生成通常会产生脆弱或支离破碎的结果，因为它要么依赖于浅薄的参数知识，要么依次过度适应不可概括的轨迹局部课程。为了克服这个问题，我们引入了 Trace2Skill，这是一个反映人类专家如何创作技能的框架：通过全面分析广泛的执行经验，然后将其提炼成单一的综合指南。 Trace2Skill 不是对各个轨迹依次做出反应，而是调度一组并行的子代理来分析不同的执行池。它提取特定于轨迹的课程，并通过归纳推理将它们分层整合到统一的、无冲突的技能目录中。 Trace2Skill 支持深化现有的人工编写技能和从头开始创建新技能。在具有挑战性的领域（例如电子表格、VisionQA 和数学推理）中进行的实验表明，Trace2Skill 在强大的基线（包括 Anthropic 的官方 xlsx 技能）的基础上显着提高。至关重要的是，这种基于轨迹的进化不仅仅是记住任务实例或特定于模型的怪癖：进化的技能可以跨 LLM 规模转移并推广到 OOD 设置。例如，Qwen3.5-35B 在其自身轨迹上进化的技能在 WikiTableQuestions 上将 Qwen3.5-122B 代理提高了高达 57.65 个绝对百分点。最终，我们的结果表明，复杂的代理经验可以打包成高度可转移的声明性技能——不需要参数更新，不需要外部检索模块，并利用小至 35B 参数的开源模型。