SkillAdaptor：LLM 智能体的轨迹自适应技能

大语言模型 (LLM) 代理越来越依赖可重用的外部技能来解决长期交互任务。现有的 无需训练 技能适应管道通常从完整轨迹或会话级反馈中更新技能，这使得失败归因变得粗糙，并且经常产生不稳定或过于广泛的修订。我们提出了 SkillAdaptor，这是一个具有明确故障归因的 无需训练 阶梯级技能适应框架，它可以插入 OpenClaw 级代理Harness。给定失败的轨迹，SkillAdaptor 会识别第一个可操作的故障步骤，将责任与候选技能联系起来，并在明确的验收检查下应用有针对性的更新，同时保持骨干网冻结。我们使用 Kimi-K2.5、GLM-5 和 GPT-5.2 对 WebShop、PinchBench 和 Claw-Eval 进行评估。 SkillAdaptor 在所有三个套件上都比无技能和技能适应基线有所改进，其中 PinchBench 平均分数％的最大单指标改进为 +1.5 分，Claw-Eval 平均分数为 +1.8，WebShop 成功率为 +1.7。这些结果表明，步骤级归因支持更稳定和可审核的无需训练技能维护\footnote{代码将在https://github.com/zjunlp/SkillAdaptor发布。}。