SkillSmith：以自动技能构建与进化增强本地部署智能体

基于大语言模型（LLM）的智能体框架如今充当多步任务的个人助理。OpenClaw等现有智能体框架通常遵循云Agent（Cloud Agent）部署模式，以闭源云端LLM作为骨干模型，这可能暴露用户隐私信息并产生重复的LLM调用成本。本地Agent（Local Agent）通过在用户可控设备上部署前沿开源SLM来解决这些部署顾虑，但其任务效果仍远落后于云Agent。通过诊断分析，我们揭示了采用前沿SLM骨干的本地Agent效果受限的主要根源：骨干模型规模有限导致的环境知识缺失，包括环境规则与操作流程。为了以非参数化、上下文高效且无需专家编写的方式供给这类知识，我们提出SkillSmith，一个云-本地Agent协作框架，它以Skill作为上下文高效的知识载体，从云Agent的任务探索中自动构建Skill，并利用本地Agent的执行反馈进化Skill，从而增强一个冻结的本地Agent。在日常智能体任务数据集AppWorld与WorkBench上的实验表明，自动生成的Skill使配备Qwen3.6-27B（SLM）的本地Agent达到与使用前沿LLM的云Agent相当的任务效果，超越最强的非参数基线，在AppWorld-Normal上将每任务平均动作数从36.1降至9.9，并能在不重跑Skill构建的情况下泛化到其他SLM骨干模型。