SkillFocus：通过能力分解演化Agent技能

智能体技能进化旨在通过迭代修订来改进大语言模型（LLM）智能体的可重用程序指导。现有的方法主要基于执行轨迹或反馈来进行每次修订，从而使跨任务的重复行为要求隐式并将修订与当前技能的行为联系起来。我们引入了 SkillFocus，它将重复出现的任务需求分解为一个随着技能发展而保持固定的能力空间，将任务要求与当前技能的行为方式分开。 SkillFocus 将当前任务结果映射到该空间，以识别导致大多数任务未解决的能力，然后使用该能力来确定要修改的内容以及要使用的证据。在涵盖异构任务的四个基准中，SkillFocus 在所有四个基准上都实现了最佳的保留准确性，平均比最强的竞争结果高出 5.7 个点，同时比最接近的迭代基准平均使用更少的进化词元 24%。对照研究进一步表明，源自重复任务要求的能力优于任务语义和执行衍生的替代方案，而随机化任务能力分配可将最终准确度降低多达 20.2 个百分点。在优先修订下，将证据与所选能力相匹配可将候选人增益提高 4.4 分。