经验造就技能：经自演化技能记忆使能可泛化的医疗智能体推理

人们越来越期望医疗代理系统能够支持交互式临床决策，而不仅仅是静态问答。在这种情况下，有效的代理必须在不断发展的情况下重用先前的经验，但现有的记忆机制通常会保留冗余、嘈杂且难以管理的原始历史痕迹。更重要的是，他们很少区分哪些记忆对于未来的推理真正有用。这限制了他们为长期临床推理积累紧凑而可靠的经验的能力。为了弥补这一差距，我们提出了 SkeMex，这是一种部署后自我进化框架，可通过基于技能的记忆来改进医疗机构，而无需更新模型权重。 SkeMex 将信息交互轨迹提炼为结构化技能，编码可重用的程序知识，并将它们组织成涵盖一般、特定任务和行动级别经验的多分支存储库。为了确定哪些记忆应该被重用和保留，SkeMex 从环境反馈中估计上下文相关的效用，并用它来指导价值感知检索和存储库治理。闭环“读--写--评估--治理”生命周期通过编写新技能、更新实用程序、提升有用记忆和删除有害条目，进一步支持持续进化。跨不同临床任务的实验表明，SkeMex 在离线和在线设置中始终优于基于记忆的代表性代理。它还可以跨模型主干进行泛化，并支持可转移的技能记忆。所有数据和代码都将公开发布。