课程视频
从重复任务中留下什么
第 4 讲由 Daniel Fried 于 2026-09-03 授课。上一讲关注单次长任务如何保存状态,本讲讨论跨任务复用:已经完成一次的工作,能否让下一次少走一些步骤?本文按视频与官方课件的顺序,整理人工编写的技能、外部记忆、技能归纳和维护。
课堂先比较两个购物任务:把 Sony 耳机加入愿望清单,以及查询无线键盘的价格范围。两者都需要进入商店、找到搜索框、输入词语并提交,最后几步才出现差别。可复用的结构可以表达为文本,也可以表达为代码;系统还要决定何时取出它、如何检验,以及什么时候修改或删除。
经验可以保存在上下文、外部文件或模型权重中。完整上下文忠实但昂贵;外部文件可读、可改、可迁移,但需要检索和维护;权重更新能改变广泛行为,却成本较高、难以直接检查。本讲主要讨论外部产物。
Episode、Fact 与 Skill
| 形式 | 购物例子 | 适合保留的信息 |
|---|---|---|
| Episode | 一次任务的全部观察与行动 | 商品、价格、具体执行过程 |
| Fact | 这个商店只在商品详情页展示价格 | 可重复使用、也可能过期的事实 |
| Skill | 搜索框输入 → 提交 → 打开结果 | 怎样执行一类任务 |
Memory 指从智能体自身交互中保存的内容;Skill 指关于如何行动的可复用知识。两者有交集:从自己的搜索经历中归纳出的技能,同时属于记忆。人写的发布清单可以是技能,却不来自智能体自身经历。
人工编写的技能怎样加载
Daniel 先用 Python 代码审查说明技能的用处。用户每次都重复 Black、Ruff、公开接口类型注解、Google 风格文档及测试要求,可以把这套约定放入一个技能目录,让后续审查按需加载。

课件中的技能由 SKILL.md、脚本、参考文档和资源文件组成。渐进披露(progressive disclosure)先加载名称和描述,命中任务后读取正文,需要时再读取参考文件或执行脚本。脚本执行时通常只把结果放回上下文,无须把整个脚本源码都塞给模型。
课件以 Hermes 的技能索引及查看工具说明这一过程,并联系作业 1 的 invoke_skill。技能能否被选中,依赖描述是否准确、索引是否可见;加载正文后,还需要把步骤落实到实际工具操作。
有技能不一定更好
SkillsBench 包含 87 个任务、8 个领域,主实验由人提供整理好的任务与技能组合,在 18 个模型与 Harness 配置中比较。课件报告平均通过率从 33.9% 提高到 50.5%,但 13 个任务反而受损。聚焦、较短的技能组合与更大收益相关,这种相关性不能直接解释为“删短就会变好”。
技能可能覆盖模型原来更合适的策略。课堂因此把维护也放进讨论:OpenHands 的代码审查技能记录每次建议,由模型评估人类采纳情况,再分析反复出现的错误,如忽视仓库约定或放过严重问题,据此修订技能。技能文件是可版本管理的行为约定,需要通过后续任务验证效果。
外部记忆怎样读写和修正
随后课程介绍 MemGPT:智能体通过函数调用读写外部记忆,把有限上下文与外部存储连接起来。Mem0 的示意图则将新消息与已有记忆比较,选择 ADD、UPDATE、DELETE 或 NOOP。只追加不修正,容易让新旧偏好同时留在记忆中。
Reflexion 保存对尝试的反馈,再重试同一任务。课件中的问答要求的是一系列战役,第一次只回答一场战役;反思指出粒度不对,下一次改为相关战役序列的名称。这里有评价、反馈和再尝试,并没有更新模型权重。
ExpeL、Agent S、Synapse 和 ICAL 等工作还会保存完整轨迹,用 embedding 检索与新任务相近的经历,作为 few-shot 示例。这能保留具体行为,但长轨迹占空间,其中的固定页面元素也未必适合迁移。
从轨迹中归纳技能
课件接着把“搜索商品”视为任务中的一个可复用块。Voyager 在 Minecraft 中归纳函数并调用已有函数;DreamCoder 与 Stitch 从程序中压缩共同结构;LAPS 和 LILO 进一步结合自然语言和语言模型生成。它们共同关心怎样把已解决问题的结构转成未来可调用的知识。
在线归纳时,任务逐个到达,成功任务更新技能库,后续任务再使用它。评估应记录整个任务流的累计表现,因为前面的经验会改变后面的系统状态。

Agent Workflow Memory(AWM)从任务和动作中提取文本工作流。课件例子是搜索包含某个词的评论:先进入评论页面,输入关键词,再提交搜索。归纳时把具体词语替换成 {term},保留可复用子过程,而不是复制整个任务。
文本技能与代码技能
文本技能是供模型理解和调整的指导。页面变了,模型仍可重新寻找搜索框;代价是每次仍需发出底层动作。代码技能则可以将多步操作压缩为一次函数调用,支持层次组合和运行前测试,但如果把旧页面 ID 写死,也会稳定地执行错误操作。

ASI 在归纳代码技能后加入测试与准入:任务结果是否正确,这次执行是否真正使用了候选技能?只有通过检查,才加入记忆。SkillWeaver 的例子展示了更具体的检查:函数声明 color 参数却没有使用,静态检查和试运行可以发现问题,再修改实现。
课件第 33 页比较五个 WebArena 站点上的平均结果:无记忆、文本技能、代码技能到达检查点的比例分别为 41.3%、59.5%、80.2%,平均步骤分别为 24.5、20.6、15.0。检查点达成率并非“全部任务成功率”,这些数字也只适用于该实验设置。
迁移为什么会失败
同一个 sort_listings,在一个网站上点击下拉框,在另一个网站上却要打开侧边栏。函数名相同并不意味着实现可以照搬。PolySkill 因而分离抽象接口与网站底层动作,组合逻辑依赖抽象方法,不同网站实现各自的原语。
选择存储形式,实际上是在分配决策:完整轨迹保留细节,文本把适配留给模型,代码则把更多行为固定下来。不能只比较文件大小或调用次数,还要考虑环境变化后由谁发现并修复错误。
技能怎样学习失败、选择和退役
后半段课程讨论 ReasoningBank 从成功与失败中提炼经验,以及技能检索、重复和干扰问题。失败经历需要说明失败原因与适用范围,否则“某次搜索没有结果”可能被错误归纳为普遍规则。
维护不仅包含增加新技能,还包括合并重复项、修复参数与行为、删除过期内容。若旧技能不断被优先检索,新策略也可能没有机会探索。技能数量增多以后,要评估的是完整检索与执行过程。
SAGE 把训练目标延伸到后续任务中的技能复用:第一项任务成功还不够,归纳出的技能也应帮助第二项任务。课件报告 AppWorld 特定设置下,面向成功复用的训练高于只奖励单次结果的配置。它说明技能质量需要在后续执行中验证,而非仅凭文件看起来合理。
课末讨论将人和智能体的责任展开:组织政策和规范由人提供意图与责任归属;可执行、低成本的结果检查适合自动化;涉及例外、风险和问责时仍需要明确维护者。一个技能从诞生到退役,都需要可观察的效果和修订依据。
