不止一生：迈向层次化技能元演化

测试时技能演化被视为增强已部署Agent系统的新范式。现有工作主要聚焦于硬编码的技能演化策略，或依赖底层LLM昂贵参数更新的参数化学习。本文证明，对技能演化框架本身进行测试时精炼，对于Agent系统在不同下游场景中的持续改进是必要的，且轻量的算法适配是可行的。具体而言，我们提出HiSME，一种轻量的层次化技能元演化方案，通过从Agent的任务执行轨迹中学习元技能，联合优化技能与技能演化策略。在主流Agent基准上的实验表明，元演化能产生比纯技能演化更高质量的技能库，并能为不同场景派生多样的元技能，从而促进未来的持续经验学习。我们的代码暂时公开于https://anonymous.4open.science/r/HiSME-BD45。