从原始经验到技能消费：模型生成智能体技能的系统性研究

语言智能体越来越多地通过复用技能（skill）——从过往经验中提炼的结构化程序性产物——来获得提升。其中，领域级与模型生成的技能尤其有前景：它们通过编码领域内反复出现的流程实现域内快速适配，并能扩展到劳动密集的手工编写之外。然而，尽管提取方法层出不穷，相关理解仍然有限，尚无覆盖完整技能生命周期——经验生成（experience generation）、技能提取（skill extraction）与技能消费（skill consumption）——的全面研究来追问这类技能是否真的有效、何时有效、以及成败取决于什么。为填补这一空白，我们构建了以效用为基准的评估框架，在覆盖五个多样智能体任务域的范围内，对不同提取器与目标智能体给出系统性实验结果。我们发现，模型生成的技能平均有益，但存在不可忽视的负迁移，且提取器与目标模型的表现都不均匀。一个模型可以是强提取器却是弱消费者，反之亦然，技能效用与模型规模或基线任务强度无关。为解释这些模式，我们进而深入剖析生命周期的每个阶段，分析经验构成如何塑造技能质量、有用技能具备哪些性质、以及同一技能如何在不同消费者之间迁移。最后，我们将这些发现转化为一个具体的元技能（meta-skill），引导技能提取朝向与实际效用相关的特征，从而在各领域一致提升技能质量并大幅减少负迁移。