SkillClaw：让技能借助智能体进化器集体演化

摘要

诸如OpenClaw这样的大语言模型（LLM）智能体依赖可复用技能来执行复杂任务，但这些技能在部署后基本保持静态。结果是，相似的工作流、工具使用模式和失败模式在用户之间被反复重新发现，使系统无法随经验改进。尽管来自不同用户的交互提供了关于技能何时有效、何时失效的互补信号，现有系统却缺乏将这类异构经验转化为可靠技能更新的机制。为解决这些问题，我们提出SkillClaw，一个面向多用户智能体生态系统的集体技能演化框架，它将跨用户与跨时间的交互作为改进技能的主要信号。SkillClaw持续聚合使用过程中产生的轨迹，并用自主进化器对其进行处理：进化器识别反复出现的行为模式，并通过精炼既有技能或为其扩展新能力，把这些模式转化为对技能集的更新。由此得到的技能保存在共享仓库中并跨用户同步，使在一个情境中发现的改进得以在系统范围内传播，同时无需用户付出额外努力。通过将多用户体验融入持续的技能更新，SkillClaw实现了跨用户知识迁移与累积性能力提升；在WildClawBench上的实验表明，仅需有限的交互与反馈，它就能显著提升Qwen3-Max在真实智能体场景中的表现。

SkillClaw：让技能借助智能体进化器集体演化：论文配图 — 图 1：SkillClaw 概述。 SkillClaw 通过闭环管道实现多用户代理生态系统中的集体技能进化。独立代理与环境交互并生成结构化会话轨迹，以保留完整的动作反馈因果链。这些轨迹在用户之间进行聚合，并按参考技能进行分组，形成一个共享的证据库，揭示一致的成功模式和反复出现的失败模式。代理进化者分析每个特定技能组，并通过细化或创建来执行证据驱动的更新，同时保留成功执行中经过验证的行为。然后，更新后的技能存储库会同步回所有座席，从而允许在一个用户的交互中发现的改进使其他人受益，并随着时间的推移不断积累。