EmbodiSkill：面向自进化具身智能体的技能感知反思

具身智能体可以受益于在多样环境中指导物体搜索、动作执行和状态变化的技能。由于具身环境在布局、物体状态和其他执行因素上各不相同，这些技能必须从任务执行期间产生的轨迹中自我进化。然而，现有技能自进化方法主要在数字环境中开发，且往往将轨迹转换为粗糙的技能更新。将该范式直接应用于具身场景存在问题，因为一次失败的任务执行可能不仅反映技能内容错误，还反映智能体未能遵循有效指导的执行失误。我们提出EmbodiSkill，一个通过技能感知反思与针对性修订实现具身技能自我进化的免训练框架。EmbodiSkill结合当前技能解读每条轨迹，用技能变更证据更新技能主体，用执行失误证据保留并强化有效指导。在ALFWorld和EmbodiedBench上的实验表明，EmbodiSkill持续提升具身任务成功率。在ALFWorld上，EmbodiSkill使冻结的Qwen3.5-27B执行器达到93.28%的任务成功率，比直接作为无技能智能体使用的GPT-5.2高出31.58%。这些结果表明，技能感知的自我进化帮助具身智能体从自身轨迹中积累可复用的程序性知识。