面向自演化智能体的联盟感知技能可靠性

智能体技能是从交互轨迹中蒸馏出的结构化工件，并从技能库中动态复用，已成为使基于大语言模型（LLM）的自演化智能体从过往经验中学习的核心机制。然而，现有工作大多聚焦于技能的操作层面，如获取、演化与检索，而留下一个更根本的可靠性问题未解：智能体技能库中积累的技能是否真的带来正向的机制性贡献？我们通过在不同库构成与部署领域上进行的系统性技能库审计来研究这一问题，测量由此引起的智能体行为变化。这些审计揭示了两类反复出现的可靠性失效：联盟污染（coalition pollution），即库层面的收益掩盖了联盟层面技能的负向贡献；以及跨领域效用反转，即在源域有益的技能在迁移后效果反转。这些发现催生了两种可靠性干预：技能积累期间的联盟感知技能选择，以及迁移后的免标签技能掩蔽。联盟感知技能选择（CASS）利用采样的Shapley边际为当前库挑选更可靠的候选技能。无监督技能掩蔽联盟优化器（u-SMCO）掩蔽那些被排除后能在无标签目标域数据上提升检索质量的迁移技能。在LoCoMo、LongMemEval、HotpotQA与ALFWorld上的智能体实验表明，CASS与u-SMCO持续优于强技能型自演化智能体基线，提升任务性能与跨领域泛化。除准确率之外，以联盟为条件的可靠性建模还降低了强化学习期间对噪声结果奖励波动的敏感性，并暴露了基于隔离的技能评估的局限。