OpenClaw-Skill：面向智能体大语言模型的集体技能树搜索

为LLM智能体配备有效技能对解决OpenClaw等真实系统中的复杂任务至关重要。本工作中——我们旨在开发自动构建此类可复用技能的框架——以增强LLM在工具使用、多步推理与动态环境交互上的能力。为此——我们提出集体技能树搜索（CSTS）——新颖的基于树搜索的技能构建框架——构建结构化、多样且可泛化的技能树。CSTS的核心思想是利用集体智能经两个迭代阶段联合搜索、识别与组合有效技能：集体技能节点生成（CSN-Gen）与集体技能节点评估（CSN-Assess）。CSN-Gen利用多模型的集体知识为每个子任务探索多样候选技能——实现全面技能探索。CSN-Assess以多模型为裁判评估并选择技能节点——用两种打分机制：(1) 集体质量打分——聚合独立评估产出技能有效性的稳健估计；(2) 集体可迁移性打分——显式验证技能是否跨模型良好泛化。以CSTS——我们构建综合技能树与技能增广训练数据——使模型有效学习并利用技能。此外——我们引入集体技能强化学习——主动从树中选择多个相关技能以拓宽解空间探索——避免被单一技能及其同质或次优解困住。因此——我们训练的模型OpenClaw-Skill在长程规划、工具使用与挑战性基准泛化上展现出色智能体能力。