Anything2Skill：把外部知识编译为智能体可复用技能

检索增强生成（RAG）使智能体能够在推理时访问外部知识，但它主要检索碎片化的声明性证据，让智能体从段落、手册、示例、日志或轨迹中反复推断任务过程。这就提出了一个基本问题：从外部知识库提取的技能是否可以安装到代理中，使其能够快速近似领域专业知识？在本文中，我们提出了 Anything2Skill，这是一个分类法指导的框架，它将异构外部知识编译为代理可重用、可检索和可执行的技能。给定知识记录语料库， \textsc{Anything2Skill} 首先将每个记录分解为证据窗口，并在先验技能树下执行计划和扩展技能提取。然后，提取的候选者被转换为结构化技能合同，其中指定调用条件、禁忌症、动作移动、工作流程步骤、约束、输出规范、支持证据和置信度分数。为了构建可部署的程序内存，Anything2Skill 通过分类感知编译、注册表级协调、生命周期跟踪、版本化更新和可见的技能树投影来管理持久技能库中提取的技能。在推理时，智能体从原始知识库中检索特定于任务的段落，并从技能库中检索相关的程序技能，从而允许 RAG 提供声明性证据，同时编译的技能提供可重用的程序指导。在 qsv 和 GitHub-CLI 上的实验表明，Anything2Skill 与 RAG 相结合分别实现了 98.85\% 和 94.10\% 的成功率，大大优于仅使用 RAG 的代理。这些结果表明，将潜在的程序知识编译成显性技能是将检索增强代理从知识访问扩展到能力重用的有效方法。