论文解决了什么问题
大语言模型代理通过将历史经验转化为程序性知识来实现持续改进。然而，现有方法通常依赖语义相似度或大模型自身的判断来合并经验，这种方式容易忽略技能在实际执行中的有效性，导致合并后的知识不可靠或作用域扩张不安全。
核心方法
SkillCommit 通过行为验证的作用域安全扩张机制来演化代理技能。该方法构建了层级技能库来组织知识，利用跨实例 Replay 机制在实际行为层面验证技能的有效性，并支持技能库的跨模型迁移，确保经验合并的可靠性。
方法与已有工作的区别
有原文依据现有方法通常基于语义相似度或大语言模型的判断来合并经验，而本文提出的 SkillCommit 采用行为验证机制进行作用域安全扩张，强调在实际行为表现层面验证技能的有效性。
实验结论
- 原文未明确披露具体的量化实验结果与成功率数据（输入文本被截断）。
- 标签显示验证了跨实例 Replay 与跨模型迁移机制的有效性，但缺乏具体对比基线数据。
- 原文未提供具体的量化性能提升数字（输入文本被截断）
- 机制上支持跨实例回放验证与跨模型技能迁移
局限性与证据边界
- 原文未明确披露方法在复杂环境下的失败模式（输入文本被截断）。
- 原文未说明层级技能库扩张时的计算开销与上下文长度限制。
- 具体的实验基准与性能提升数字
- 方法的计算开销与失败模式
- 作者所属机构信息
适合谁阅读
研究大语言模型代理技能学习与经验复用的研究者关注代理程序性知识积累与跨模型迁移的系统开发者Agent 系统技能学习提出 SkillCommit 方法，通过行为验证进行作用域安全扩张，构建层级技能库，并引入跨实例 Replay 机制和跨模型迁移能力来演化代理技能。
可核验的原论文来源和作者
- 作者
- Yu He, Weikai Yang
- 来源
- arXiv
- 论文 ID
- 2608.15165