GeoSkill：基于经验驱动的分层技能学习与协作修订机制用于地理智能体

摘要

地理智能体被期望支持反复且持续演化的分析任务，而不仅执行孤立的工作流。有效的智能体需将过往执行经验提炼为可复用的地理过程性知识，以指导未来规划与工具使用。然而，现有基于记忆的范式难以总结地理分析中长时域工具链协同经验及工具级调用约束，且直接依赖大语言模型自我反思更新经验常导致误归因和不可靠的修订。为解决这些问题，我们提出GeoSkill，一种面向地理智能体的经验驱动分层技能学习框架。GeoSkill包含两个核心组件：（i）分层技能库（HSB），由规划技能库和工具技能库组成，分别提炼高层任务规划经验和工具使用约束，实现历史执行经验的结构化表示与跨任务复用；（ii）协作轨迹驱动的技能修订机制（CTSR），由Judge、Critic和Refiner协同完成错误识别、技能层级缺陷定位及针对性修改，避免误归因和不可靠修订污染技能库。GeoSkill在开发阶段从历史执行中学习并验证技能，部署阶段冻结技能库，仅用于未见任务的检索式引导。在EarthBench和ThinkGeo上的大量实验表明，GeoSkill能有效将历史执行经验转化为可复用的分层技能，提升端到端任务准确性和工具执行可靠性。

GeoSkill：基于经验驱动的分层技能学习与协作修订机制用于地理智能体：论文配图 — 图 1：通过 LST（地表温度）分析任务说明代理范例的比较。 (a) 独立执行：每个任务从头开始运行一个独立的 ReAct 循环；经验会丢失，并且错误的数据/工具选择会在任务中重复出现。 (b) 任务内反思：口头反思修复当前的试验，但经验不会转移到未来的任务中。 (c) 任务间记忆：经验被提取到扁平池中（例如，“使用 LST 产品”），但缺少空间分辨率和时间要求等关键约束，导致下游故障。 (d) 分层技能演变（我们的）：分层技能库将规划技能（LST 分析工作流程）与工具技能（LST 产品约束）分开，而因果跟踪驱动的技能修订通过经过验证的编辑来发展它们，同时保留工作流程结构和执行约束。