AutoSkill让AI从「会干活」到「越干越懂你」

最近刷到华东师范大学和上海AI实验室联合发布的AutoSkill，看完感觉眼前一亮——这可能是真正解决「AI怎么记住你的偏好，持续进化」问题的方案。

你有没有发现，每次和AI聊天都要重复说一遍你的要求？

• “写报告要符合官方格式，别太口语化”
• “减少幻觉，不确定的地方标出来”
• “别用太多技术术语，通俗易懂一点”

每次说一遍，下次对话AI又忘了。现在的AI记忆系统，本质上还是「存对话片段，检索给模型看」，而不是「把你的要求变成能复用的技能」。

AutoSkill就是来解决这个问题的。

---

一、痛点直击：为什么AI总记不住你的「稳定偏好」？

现在的LLM agent，不管是加了记忆库还是自进化，都有个核心问题：

• 参数微调：代价太高，而且你每次改偏好都要重新训，不实用
• 记忆检索：只存对话片段，不提取行为模式，下次还要模型自己悟
• 现有技能学习：技能还是隐式存在prompt里，不能编辑、不能版本化、不好复用

AutoSkill的思路很直接：把重复的交互经验，提炼成显式、可维护、可复用的技能，不用改模型参数，就能让AI持续学习你的偏好。

---

二、AutoSkill到底是什么？

AutoSkill是一个经验驱动的终身学习框架，能让LLM agent自动从对话和交互轨迹中提取、维护、复用技能。

AutoSkill的魔力，源于其独创的「双循环」设计——一边用现有技能高效完成当前任务，一边从交互中提炼新技能，实现「干活与进化并行」：

左循环：技能增强响应，精准匹配你的需求

当你发起查询时，AutoSkill会先从技能库中检索最相关的能力，确保响应贴合你的偏好：

1. 查询重写：把你的模糊需求（如「再改改报告」）转化为精准检索指令（如「按官方格式优化报告，避免技术术语」）；
2. 混合检索：结合语义相似度与关键词匹配，从技能库中筛选Top-K优质技能，过滤无关内容；
3. 技能注入：将选中的技能自动转化为生成上下文，让AI在不改变核心模型的前提下，输出符合你习惯的结果。

关键在于，AI从不会主动提及「我用了你的技能」，而是自然融入响应，体验无缝衔接。

右循环：技能自进化，把反馈变成能力

每一次对话结束后，AutoSkill都会悄悄「复盘」，把新经验转化为技能资产：

1. 技能提取：从你的查询中提炼可复用规则（如「报告必须包含3个部分」「避免使用缩写」），过滤一次性需求；
2. 智能决策：对比现有技能库，决定是新增技能、合并优化（版本号自动升级），还是丢弃无效信息；
3. 版本化合并：若需求与现有技能相似，就把新约束整合进去，比如「professional_text_rewrite」技能经34轮用户反馈，迭代至v0.1.34版本，越用越精准；
4. 技能库更新：将新技能或升级后的技能存入仓库，为下次交互做准备。

这套机制让AI的能力「只增不减」，交互次数越多，AI越懂你。

核心设计：技能是第一公民，可看可改可进化

AutoSkill最不一样的地方，就是把技能做成了「显式的第一公民」。每个技能都有标准化的结构：

s = (名称, 描述, 可执行指令, 触发集合, 标签集合, 示例集合, 版本号)

所有技能都以 SKILL.md 的形式存储，你可以直接看、直接改、直接删，完全透明可控。

存储布局：轻量级持久化，易于维护

AutoSkill采用轻量级的本地持久化模型：

SkillBank/
├── Users/<user_id>/     # 用户特定技能
│   └── <skill-slug>/
│       └── SKILL.md    # 规范技能工件
│       └── scripts/    # 可选资源
│       └── references/
│       └── assets/
├── Common/...          # 共享技能库
└── vectors/...        # 持久化向量缓存
    └── *.meta.json
    └── *.ids.txt
    └── *.vecs.f32      # 索引文件

这种组织方式将工件存储显式化，易于检查，同时允许系统为不同的嵌入配置维护独立的向量索引。

真实案例：技能如何适配不同场景？

来看两个从真实交互中提取的案例，感受AutoSkill的能力：

案例1：顶级心理咨询师（中文）

这个技能捕捉的是关于对话支持风格的稳定期望：

ID: 48746f29-5f4c-48c4-9244-ba0ae4fc6eed
Version: 0.1.0
Description: 扮演世界上最优秀的心理咨询师...
Tags: 心理咨询, 心理健康, 情感支持, 同理心
Triggers: 心理咨询, 心理问题, 情感困扰

# Role & Objective
你现在扮演世界上最优秀的心理咨询师...

# Communication & Style Preferences
- 使用专业、温暖、有同理心的语言
- 倾听并理解咨询者的需求
- 尊重咨询者的隐私，保持非评判的态度

# Anti-Patterns
- 不要提供医疗诊断或药物建议
- 不要违反咨询者的隐私
- 不要使用过于学术化或难以理解的术语

这个例子显示，AutoSkill可以从用户交互中抽象出高层次的人际偏好，并将其保存为明确的行为工件。

案例2：professional_text_rewrite（英文）

这个技能捕捉的是高度可操作的写作能力：

ID: a407043f-d6b0-4760-821e-86b538c149c1
Version: 0.1.34 # 注意：已经迭代优化了34次！
Description: Rewrites user-provided text to enhance fluency...

Tags: rewrite, editing, professional, paraphrase
Triggers: rewrite this professionally, improve this text

# Role & Objective
You are an expert English language editor...

# Constraints & Style
- Elevate the text to a formal, professional tone
- Use precise vocabulary and clear sentences
- Preserve all numerical values, names, places, dates

# Anti-Patterns
- Do not add any introductory phrases
- Do not provide explanations or suggestions
- Do not introduce new information or opinions

特别值得注意：版本号0.1.34表示这个技能在创建后经历了34轮增量优化。这意味着每当用户对类似的改写请求提供新反馈时，系统不是创建重复的技能，而是持续合并到同一个可重用的技能工件中。

相比之下，心理咨询师技能保持在0.1.0版本，表明它仍接近初始提取形式。这种对比展示了AutoSkill的重要特性：技能可以根据相关用户反馈的出现频率，以不同的速率进化。

实测数据：1858个技能，覆盖多场景个性化需求

AutoSkill在WildChat-1M真实交互数据集上的测试，验证了其强大的技能积累能力：

• 数据集规模：筛选8轮以上长对话，构建4个技能库子集，共提取1858个结构化技能；
• 热门类别：编程与软件开发（482个）、写作与内容创作（363个）、数据与AI/ML（354个），覆盖高频实用场景；
• 高频标签：python、javascript、excel、创意写作、格式优化等，兼顾技术与通用需求；
• 平台适配：技能集中覆盖Twitter/X、Instagram、YouTube等主流平台，贴合实际使用场景。

这些数据证明，AutoSkill能从真实交互中提炼有价值的技能，且技能库会随使用场景自然进化，越用越丰富、越精准。

---

三、三大核心问题拆解：AutoSkill的设计哲学

Q1：AutoSkill如何实现「无训练」的终身学习？双循环架构怎么协同？

AutoSkill 通过 「外部技能积累 + 动态注入」 实现无训练终身学习，核心不修改 LLM 参数，所有能力提升来自 SkillBank 的技能进化与复用。

双循环的协同逻辑非常清晰：

• 左循环（响应生成）：查询重写 → 混合检索 → 技能注入，利用现有技能提升当前响应的个性化与准确性，保障「当前任务做好」
• 右循环（技能进化）：技能提取 → 检索辅助管理 → 版本化合并，从当前交互中提炼新能力或更新旧技能，补充 SkillBank，保障「未来能力更强」

两个循环并行执行，形成 「使用 → 反馈 → 进化 → 再使用」 的完整闭环，真正实现了边干活边进化。

Q2：AutoSkill的技能进化机制，和传统记忆系统有什么本质区别？怎么避免技能库冗余？

核心区别在于 「从文本存储到行为抽象」：

• 传统记忆系统：仅存储对话文本或事实，无法直接转化为 Agent 的操作行为
• AutoSkill：将经验抽象为含「目标、约束、触发器」的结构化技能，可直接注入生成过程指导行为，且支持版本化进化

为了避免技能库冗余和退化，AutoSkill设计了三层防护机制：

1. 提取阶段过滤：只保留可复用约束与流程，过滤一次性需求、通用任务
2. 管理阶段决策：通过「添加/合并/丢弃」三选一决策，仅将与现有技能差异显著的新能力新增为技能，相似能力则合并优化
3. 版本化合并规则：遵循「语义融合、去重冲突、保留核心约束」，避免新增无关内容或丢失原有关键能力
4. 存储优化：支持按使用频率自动清理长期未使用的 stale 技能

Q3：怎么平衡「个性化」和「通用性」？相比参数微调，优势在哪？

平衡「个性化」与「通用性」的核心是 「分层技能库 + 精准检索」：

• 分层存储：用户专属技能（个性化）与公共技能（通用性）分离，既保留用户独特偏好，又可复用通用能力
• 精准检索：通过混合检索机制，仅将与当前任务高度相关的技能注入生成，避免个性化技能干扰通用任务

相比参数微调，AutoSkill的核心优势更加明显：

维度	AutoSkill	参数微调
成本	低，仅需少量Prompt驱动计算	高，需要大量计算资源重新训练
可控性	技能可直接编辑、回滚、删除，可审计	黑箱，难以调整特定偏好
扩展性	支持多用户、多场景技能隔离，同一LLM适配不同需求	每个用户/场景需要单独微调
兼容性	插件层，无缝集成现有LLM服务	需要重构部署，改造成本高

---

四、三大部署模式，无缝融入你的AI工作流

AutoSkill作为模型无关的插件层，支持三种灵活部署方式，无需重构现有系统：

1. Python SDK集成：开发者可调用 ingest（经验摄入）、search（技能检索）等接口，自定义技能工作流；
2. 交互式Web UI：普通用户可直接使用，技能进化在后台异步执行，不影响实时体验；
3. OpenAI兼容反向代理：无缝对接现有LLM客户端，支持 /v1/chat/completions 等标准接口，零成本集成。

此外，AutoSkill还支持多LLM提供商（如OpenAI、InternLM、DashScope），可与OpenClaw等Agent框架深度集成，适配不同场景需求。

---

五、未来已来：从「写Prompt」到「养技能」

AutoSkill的出现，标志着AI Agent从「静态工具」向「动态成长伙伴」的转变：

• 过去，我们反复写Prompt，期待AI一次做好；
• 现在，我们只需定义初始技能，AI会在交互中自动优化；
• 未来，每个用户、每个企业都将拥有专属技能库，AI Agent成为「懂你、适配你、持续优化你」的数字伙伴。

目前，AutoSkill已完全开源，支持Python SDK、Web UI、OpenAI兼容代理三种部署模式，无论是个人用户还是企业团队，都能快速上手搭建专属的「自进化AI助手」。

📦 相关资源：

• GitHub：https://github.com/ECNU-ICALK/AutoSkill
• 论文链接：https://arxiv.org/pdf/2603.01145v2.pdf

从「对话即遗忘」到「交互即进化」，AutoSkill正在重新定义AI Agent的能力积累方式。现在就上手体验，让你的AI从「会干活」，升级为「越干越懂你」的终身伙伴！