论文解决了什么问题
大模型代理在处理复杂、多步骤任务时，往往需要重复发明相似的子技能，且难以将已有技能有效组合。单模型构建的技能库容易陷入局部最优，缺乏多样性和交叉验证，导致技能复用率低、泛化能力有限。本文要回答的核心问题是：能否通过多个模型协作构建一棵共享技能树，让代理在任务执行中动态检索和组合技能，并持续优化树结构。
核心方法
OpenClaw-Skill 让多个大模型分别承担技能提议、评估和重组角色，共同构建一棵树状技能库。每个技能节点包含触发条件、执行步骤和适用上下文，代理在执行任务时通过树搜索检索相关技能并动态组合。任务执行的成功或失败信号会反馈回技能树，触发节点扩展、合并或剪枝，实现技能库的持续迭代。
实验结论
- 集体构建的技能树在多个代理基准上的任务成功率高于单模型技能库基线
- 技能组合机制在多步协调任务上带来明显性能提升
- 参与模型能力同质化时技能树容易出现冗余节点
- 评估标准不一致可能导致技能树错误剪枝
- 集体技能树在任务成功率和技能复用率上优于单模型技能库和纯提示链基线
局限性与证据边界
- 技能树质量依赖参与模型的多样性，同质化模型会导致冗余节点
- 多模型评估标准不一致时可能出现错误剪枝
- 原文未明确披露具体基准名称、参与模型数量和量化提升幅度
- 具体使用的代理基准名称和数量
- 参与协作的模型种类和数量
适合谁阅读
研究代理技能学习与复用的研究者探索多模型协作机制的工程师需要在复杂任务中提升代理泛化能力的团队Agent 系统技能学习
可核验的原论文来源和作者
- 作者
- Lin, Tianyi, Sun, Chuanyu, Zhang, Jingyi, Wei, Changxu, Yao, Huanjin, Liu, Shunyu, Zhang, Xikun, Liu, Liu, Huang, Jiaxing
- 来源
- arXiv
- 论文 ID
- 2606.16774