SkillCommit：通过行为验证的范围扩展进化智能体技能

大语言模型（LLM）智能体可以在不做参数更新的情况下，把历史经验转化为可复用的程序性知识而持续改进。然而，现有方法往往基于语义相似度或LLM判断来整合经验，这可能合并表面相关但行为上不兼容的策略，从而降低性能。为解决这一问题，我们提出SkillCommit，一个在线技能进化框架，持续地把经验转化为可复用技能的分层库。每条新经验最初被保存为实例特定的补丁（patch），保留在其本地上下文中验证过的行为。随着相关技能积累，SkillCommit把共享共同行为机制的技能抽象为更高层技能。具体而言，对每条到来的技能，基于嵌入的检索先识别候选相关技能；跨实例回放和基于LLM的机制检查共同判定这些技能能否跨案例迁移并共享共同的底层机制；通过两项检查的候选会被抽象成更高层技能，且仅当其保留所有组成技能已验证的行为时才被提交（commit）。在RuleArena、OpenExempt和KOR-Bench上的实验表明，SkillCommit在多样领域一致提升智能体性能。此外，学到的技能可跨模型规模和模型族迁移，实现跨模型经验迁移。