SkillX: Автоматическое построение базы знаний о навыках для агентов
SkillX: Automatically Constructing Skill Knowledge Bases for Agents
April 6, 2026
Авторы: Chenxi Wang, Zhuoyun Yu, Xin Xie, Wuguannan Yao, Runnan Fang, Shuofei Qiao, Kexin Cao, Guozhou Zheng, Xiang Qi, Peng Zhang, Shumin Deng
cs.AI
Аннотация
Обучение на основе опыта критически важно для создания эффективных агентов на базе больших языковых моделей (LLM), однако преобладающие парадигмы саморазвития остаются неэффективными: агенты обучаются изолированно, многократно заново открывая сходные поведенческие паттерны на основе ограниченного опыта, что приводит к избыточному исследованию и слабой обобщающей способности. Для решения этой проблемы мы предлагаем SkillX — полностью автоматизированную платформу для создания подключаемой базы знаний о навыках, которая может быть использована повторно различными агентами в разных средах. SkillX функционирует через полностью автоматизированный конвейер, построенный на трёх взаимодополняющих инновациях: (i) Многоуровневое проектирование навыков, которое преобразует сырые траектории в трёхуровневую иерархию стратегических планов, функциональных навыков и атомарных действий; (ii) Итеративное уточнение навыков, которое автоматически корректирует навыки на основе обратной связи от исполнения для постоянного повышения качества библиотеки; и (iii) Экспансивное расширение навыков, которое активно генерирует и проверяет новые навыки для расширения охвата за пределы исходных обучающих данных. Используя мощного базового агента (GLM-4.6), мы автоматически строим переиспользуемую библиотеку навыков и оцениваем её способность к переносу на сложных долгосрочных интерактивных бенчмарках, включая AppWorld, BFCL-v3 и τ²-Bench. Эксперименты показывают, что SkillKB последовательно повышает успешность выполнения задач и эффективность исполнения при интеграции в более слабые базовые агенты, подчёркивая важность структурированных иерархических представлений опыта для обобщающего обучения агентов. Наш код будет вскоре общедоступен по адресу https://github.com/zjunlp/SkillX.
English
Learning from experience is critical for building capable large language model (LLM) agents, yet prevailing self-evolving paradigms remain inefficient: agents learn in isolation, repeatedly rediscover similar behaviors from limited experience, resulting in redundant exploration and poor generalization. To address this problem, we propose SkillX, a fully automated framework for constructing a plug-and-play skill knowledge base that can be reused across agents and environments. SkillX operates through a fully automated pipeline built on three synergistic innovations: (i) Multi-Level Skills Design, which distills raw trajectories into three-tiered hierarchy of strategic plans, functional skills, and atomic skills; (ii) Iterative Skills Refinement, which automatically revises skills based on execution feedback to continuously improve library quality; and (iii) Exploratory Skills Expansion, which proactively generates and validates novel skills to expand coverage beyond seed training data. Using a strong backbone agent (GLM-4.6), we automatically build a reusable skill library and evaluate its transferability on challenging long-horizon, user-interactive benchmarks, including AppWorld, BFCL-v3, and τ^2-Bench. Experiments show that SkillKB consistently improves task success and execution efficiency when plugged into weaker base agents, highlighting the importance of structured, hierarchical experience representations for generalizable agent learning. Our code will be publicly available soon at https://github.com/zjunlp/SkillX.