什么值得买App

我的兴趣消费指南

什么值得买
连续签到专享现金活动

SkillNet:Skill自生长的开放基础设施

当前人工智能智能体(Agent)在处理复杂任务时,面临着经验难以沉淀、泛化能力不足等核心挑战。为了解决这一问题,浙江大学、复旦大学、阿里巴巴等近20所顶尖机构联合发表研究论文,提出了名为SkillNet的开放基础设施。该系统致力于将情景经验转化为持久、可组合的技能,旨在构建一个能够让Agent实现跨任务、跨领域系统性成长的技能生态。
01智能体面临的经验困境
  1. 经验不可持久:每轮任务结束后,解题经验随着上下文窗口的关闭而消失,无法得到有效沉淀。
  2. 行为不可转移:当同一类问题出现在不同场景时,Agent往往无法复用之前学到的解决方案,导致遗忘。
  3. 无法累积掌握:Agent仅停留在适应特定情景的层面,缺乏跨任务和跨领域的系统性学习与成长能力。
02SkillNet三层技能本体架构
  1. 技能分类体系:在顶层将技能划分为开发、AIGC、科学、商业等功能域,并向下细化为“前端”、“物理”等细粒度标签。这种结构支持高效检索和语义导航。
  2. 技能关系图谱:利用类型化边缘(如similar_to、compose_with、belong_to、depend_on)对技能间的功能和语义关系进行建模。这使得Agent能够推理技能兼容性、依赖链和组合路径,从而支撑高阶规划与工作流合成。
  3. 技能包库:将单个技能聚合为模块化、任务导向的包(例如“数据科学可视化”)。每个技能包包含SKILL.md文件,内嵌元数据、逐步执行说明和可选可执行代码,便于版本控制与部署。
03技能创建与五维评估机制
SkillNet支持从执行轨迹、GitHub仓库、办公文档、自然语言提示等异构输入中自动提取信息,并将其统一封装为标准化技能包。为了确保技能质量,系统建立了五维评估模型,由GPT-4o-mini进行自动化评分,并辅以代码执行验证。
评估维度核心指标
安全性检测有害操作或Prompt注入风险
完整性前提条件与约束的覆盖度
可执行性沙箱环境中的运行时正确性
可维护性模块化程度与向后兼容性
成本计算资源与API调用成本
04实验数据验证与应用闭环
在ALFWorld、WebShop和ScienceWorld等基准测试中的实验结果显示,集成了SkillNet的Agent表现显著提升:平均奖励提升了40%,执行步骤减少了30%。这种增益在已见任务和未见任务中保持一致,证明了系统的强泛化能力。
此外,SkillNet与OpenClaw深度集成,构建了一个自生长闭环。该机制能够将成功任务的结果自动整合为新技能,从而持续支持技能的积累与系统的自我改进,实现智能体的持续进化。

评论

评论区空态插画

当前文章无评论,是时候发表评论了