大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



最近，一篇关于 DreamX 团队 SkillClaw 框架的论文在 HuggingFace 上快速获得了超过 200 次投票。这引发了许多开发者的兴趣，因为它触及了一个常见的痛点：在许多智能体系统中，预定义的技能文件一旦部署，就变成了静态代码。即使不同用户反复遭遇同样的失败，系统自身也“学不会”，问题得不到根本解决。

这正是 DreamX 团队试图通过 SkillClaw 框架来改变的，其切入角度颇为巧妙。

当前，改进智能体技能的常见思路无外乎两种：要么记录历史轨迹，要么将经验总结成技能文档。然而，这两种改进都局限于单个用户的环境。这意味着，一个用户通过反复试错学到的东西，无法自动分享给其他用户；而其他人踩过的坑，新用户也只能自己再踩一遍。

想象一下，八个用户同时使用同一套存在缺陷的技能，他们都会失败，然后各自尝试各自的临时解决方案，而技能库本身却纹丝不动。此外，单用户的失败信号存在一个硬伤：很难判断一次失败究竟是技能本身有缺陷，还是仅仅遇到了一个极其特殊的边缘案例。只有聚合来自不同用户、不同场景的数据，才有可能将共性问题与个案分离开来。

SkillClaw 的基本思路源于一个自然的观察：不同用户使用同一个技能，但执行不同的任务、处于不同的环境——这本身就构成了一组天然的“对照实验”。

当用户A成功、用户B失败、用户C在第三步卡住时，将这三条信息放在一起，就能精准定位“这个技能在什么条件下有效，在什么条件下会出问题”。这是单用户视角永远无法看到的全局图景。

图：SkillClaw 整体架构——多用户交互数据聚合为共享证据，Agentic Evolver 定期分析并更新技能库，更新后的技能同步给所有用户。

1. 结构化数据收集
每次用户与智能体的交互，SkillClaw 都会记录一条完整的“执行轨迹”，包含：用户请求 → 智能体动作（含所有工具调用细节）→ 中间反馈（工具结果、报错信息）→ 最终回应。

仅仅记录“最终失败”是不够的。大多数技能层面的问题，比如调用了错误的 API 端口、输出路径格式不对、遗漏了某个验证步骤，都隐藏在中间步骤的因果链中。这些完整的轨迹是后续分析的原材料。

收集到的数据会按被调用的技能进行分组：G(s) 代表所有调用过技能 s 的会话集合。那些没有调用任何现有技能的会话则被归入 G(∅) 组，这有助于发现“应该有但还没有”的新技能机会。

2. 基于证据的 Agentic Evolver
这是整个框架的核心，它是一个 LLM 智能体，负责阅读某个技能的所有交互证据，并决定采取以下三种行动之一：

• 优化（Refine）：技能本身存在可改进的问题，进行修改。
• 创建（Create）：证据中出现了可复用的、有效的流程模式，但现有技能库未覆盖，因此创建新技能。
• 跳过（Skip）：证据不足或无需修改，保持现状。

设计的关键在于，成功案例定义了技能的“不变量”——即哪些部分有效且必须保留；失败案例则定义了“修正目标”。这确保了在修复一个问题时，不会意外破坏原有能正常工作的部分。

3. 安全的夜间验证
生成的候选技能更新不会直接上线。系统会在每晚利用当天的真实交互数据作为测试集，让候选技能与当前的**技能在模拟环境中同台竞技，比较执行结果。只有被验证为更优的更新才会被接受并部署；否则将被拒绝并归档。

这意味着用户始终使用的是“昨晚验证过的**版本”，而非效果未知的实验版本。这一机制保证了技能库的质量是单调不下降的。

研究团队在 WildClawBench（包含 60 个复杂智能体任务，覆盖 6 个领域）上进行了模拟实验，设置 8 个并发用户，持续运行 6 天，全程由 Qwen3-Max 驱动。

表：6 天进化轨迹——Day 1 是基线，Day 2-6 反映每晚验证后部署的**技能池成绩。

经过 6 天的自动进化，各领域技能成功率提升显著：

• 社交互动：从 54% 提升至 60%（相对提升 +11.7%）。
• 搜索与检索：从 23% 提升至 35%（相对提升 +52%）。
• 创意合成：从 12% 提升至 22%（相对提升 +88%）。
• 安全对齐：从 24% 提升至 32%（相对提升 +33%）。

提升幅度的差异背后有清晰的逻辑。例如，社交互动技能在第二天就跃升至60%并保持稳定，说明其核心瓶颈（某个工作流步骤不明确）在第一轮进化中就被快速修复。而搜索与检索技能的提升则是分阶段的，先解决了基础的文件路径问题，后续才引入了更高级的检索规划策略。

在受控验证中（针对“保存报告”等三个定制任务），技能进化带来的提升更为惊人，“保存报告”任务的成功率直接从 28% 跃升至 100%。这类任务的失败大多源于程序性的错误，如输出路径格式问题，一旦被编码进技能文件，问题便彻底根除。

一个具体的案例能更清晰地展示进化的价值。

图：Slack 消息分析任务的技能进化对比——左边是原始技能执行轨迹（失败），右边是进化后技能（成功）。

原始技能采用“拉取所有消息 -> 试错分析”的简单工作流。一旦遇到 API 端口配置错误（如误用 9100 端口），整个流程就会卡住，依赖智能体在运行时进行试错重试，效率低下且不稳定。

进化后的技能基于真实失败证据做出了三项关键改进：

1. 选择性检索：先扫描消息预览，识别出可能包含待办事项的消息，再针对性拉取完整内容，减少无效调用。
2. 错误前置修正：将已发现的 API 端口错误（9100 → 9110）直接写入技能文件，避免运行时才暴露问题。
3. 流程固化：明确指定输出文件路径，不再让智能体临时决定。

这些改进全部来源于真实用户交互中暴露出的问题，而非工程师的主观设计。

SkillClaw 框架提供了一个富有启发性的视角：多用户的正常交互数据，本身就是一个高质量、免费的标注集。它巧妙地绕过了为训练“故障诊断模型”而进行大规模人工标注的成本。随着用户规模的扩大，这种基于集体经验的 技能进化 机制的优势会越发明显。

当然，目前的研究仍处于早期阶段。实验规模较小（8用户/6天），在大规模部署时，技能是否会因被高频场景过度优化而损害低频场景的体验，其收敛性有待验证。此外，夜间验证机制依赖日间数据量，对于调用频率极低的技能，可能因缺乏足够的测试样本而难以进化。

尽管如此，将技能进化从“单用户本地学习”提升到“多用户共享积累”的思路，无疑是推动智能体系统走向真正自适应和持续学习的重要一步。对于关注 Agent 技术发展的开发者和研究者而言，这是一个值得深入探讨的方向。

相关资源：

• 论文：https://arxiv.org/abs/2604.08377
• 代码仓库：GitHub: AMAP-ML/SkillClaw