论文解决了什么问题
大语言模型代理通过将程序性知识积累为轻量级文本技能来适应重复任务，这些技能直接加载到上下文中而不更新权重。近期方法在优化这些技能时存在局限，但具体痛点原文未详细说明。本文旨在解决代理技能在自我进化过程中的更新控制与冗余管理问题。
核心方法
SkillProx 采用近端文本梯度下降机制来指导代理技能的自我进化，通过近端更新限制文本修改的幅度。系统引入效用审计来评估技能的实际贡献，并支持在更新失败时进行回滚。此外，通过技能删减机制去除低效或冗余的技能，保持技能库的轻量与高效。
实验结论
- 原文未提供具体性能提升数字
- 原文未明确披露适用边界
局限性与证据边界
- 具体的实验设置与性能提升数字
- 与现有技能优化方法的详细对比结果
- 方法的适用边界与失败模式
- 作者所属机构
适合谁阅读
研究 LLM 代理技能学习、上下文工程与文本梯度优化的研究人员Agent 系统技能学习上下文工程核心机制包括近端文本梯度下降、近端更新、效用审计、回滚和技能删减。通过近端更新限制文本变化，效用审计评估贡献，回滚处理失败更新，技能删减去除冗余。实验设计原文未给出。
可核验的原论文来源和作者
- 作者
- Mingxuan Zheng, Yujin Zhou, Chuxue Cao, Boqin Yin, Yuyao Zhang, Jiapeng Sun, Shuaishuai Gong, Sirui Han, Yike Guo
- 来源
- arXiv
- 论文 ID
- 2608.07449