SkillSmith：面向自改进智能体系统的技能与工具共同演化

最近的自我进化智能体表明，技能可以通过执行来发现、完善和积累。然而，现有的技能演化框架通常假设一个固定的工具层并独立评估每个技能，限制了它们修复工具级故障或推理技能之间交互的能力。我们提出了 SkillSmith，一个具有协同意识的技能工具共同进化框架。 SkillSmith 引入了一个统一的提案空间，其中反射生成共同修改技能和工具的原子束，当技能演变识别出可重用的能力差距时，允许工具被包装、编辑、组合、拆分或退役。为了指导这种联合搜索，SkillSmith 维护了一个受 Lotka-Volterra 动力学启发的生态效用模型，其中根据执行轨迹估计的交互矩阵捕获技能之间的成对互补性和冲突，并为检索、突变优先级和退休提供压力信号。此外，SkillSmith 还记录反模式，包括故障签名、因果归因和补救措施，以加速诊断并否决重复已知错误的提案。对包括 WildClawBench 在内的三个基准测试和五个 Qwen3.5 模型量表进行的实验表明，SkillSmith 始终优于强大的基准，并且随着任务复杂性和多技能协同激活的增加，收益会放大。