本文介绍了AutoSkill和XSKILL两篇顶流机构论文的核心观点，指出静态Skill只是高级Prompt，能自我进化的Skill才是真正的数字资产。文章详细解析了AutoSkill的双循环架构和Skill Management决策，以及XSKILL的双流知识架构和协同进化机制。通过真实案例和实验数据，论证了Skill进化对性能提升和跨任务迁移的重要性，并提出了未来Agent Skill的标准形态。核心结论是：进化即压缩、对齐和资产，能进化的Skill才是好Skill。

1、 AutoSkill：Skill的版本化进化论

传统RAG系统把知识当成静态文档，而AutoSkill提出了一个激进但合理的观点：用户的每一次反馈都应该让Skill变得更聪明。

1.1 双循环架构：干活与进化并行

AutoSkill的核心是一个"双循环"设计：

  • 左循环（Response Generation）：检索相关Skill，生成当前回答
  • 右循环（Skill Evolution）：从用户交互中提取新Skill或更新现有Skill

图1：AutoSkill框架图。右侧Skill Evolution Loop负责将交互经验转化为显式技能，左侧Response Generation Loop利用这些技能增强当前对话。

关键在于Skill Management的三种决策：

  • Add：全新能力，入库
  • Merge：与现有Skill合并，版本号+1（如v0.1.3 → v0.1.4）
  • Discard：一次性需求，丢弃

1.2 版本号是Skill的质量指标

论文中最具说服力的证据来自真实案例。在WildChat-1M数据集上构建的SkillBank中：

表1：四个SkillBank子集的统计信息

图2：技能类别分布。编程与软件开发（482个）和写作创作（363个）是进化最活跃的领域。

重点看版本号：

  • professional_text_rewrite技能：版本 0.1.34（历经34次迭代优化）
  • 顶级心理咨询师技能：版本 0.1.0（保持初始形态）

这个对比揭示了一个残酷现实：用户反复调用的生产力技能会快速进化，而冷门技能则停留在v0.1.0。Skill的价值不在于初始完美度，而在于迭代次数。

https://arxiv.org/pdf/2603.01145
AutoSkill: Experience-Driven Lifelong Learning via Skill Self-Evolution
https://github.com/ECNU-ICALK/AutoSkill

2、 XSKILL：Skill与Experience的协同进化

如果说AutoSkill解决了"Skill如何纵向迭代"的问题，那么XSKILL则回答了"Skill如何横向适应复杂环境"的问题。

2.1 双流知识：肌肉记忆 vs 程序性知识

XSKILL针对多模态Agent（视觉+工具使用）提出了双流架构：

  • Skill Library：结构化任务流程（类似"驾驶手册"）
  • Experience Bank：情境化动作提示（类似"驾驶直觉"）

图2：XSKILL框架总览。Phase I通过视觉感知的轨迹总结和交叉批判积累知识，Phase II通过任务分解和上下文适应使用知识。

进化机制：

  1. Cross-Rollout Critique：对比多次尝试的成功与失败，提取因果经验
  2. Hierarchical Consolidation：相似经验合并，冗余经验删除，Skill文档自动精简
  3. Visual Grounding：所有知识提取都基于视觉观察，而非纯文本幻觉

2.2 进化带来的性能跃升

在5个多模态基准测试上的结果令人震惊：

表2：主实验结果（Average@4）。XSKILL比最强基线Agent-KB最高提升11.13分（论文Table 2）。

消融实验证明了Skill进化的必要性：

  • 只有Skill（无Experience）：错误率15.3%
  • 只有Experience（无Skill）：错误率29.9%
  • 两者协同：错误率降至16.3%，且语法错误从114次锐减至71次

图3：错误分析。Skill显著降低了语法错误（20.3%→11.4%）和工具名错误（2.85%→0.32%），Experience则优化了工具选择策略。

2.3 跨任务迁移：进化的终极考验

真正的进化能力体现在零样本跨任务迁移上。将在VisualToolBench积累的知识直接用于TIR-Bench：

图5：跨任务迁移性能。XSKILL的知识具有强泛化性，显著优于其他基线。

这意味着XSKILL进化的不是特定任务的"肌肉记忆"，而是可迁移的元能力。

3、 为什么"能进化"是Skill的生死线？

对比两篇论文，我们可以勾勒出未来Agent Skill的标准形态：

维度 静态Skill 可进化Skill
存储形式 固定Prompt Markdown工件 + 版本控制
更新机制 人工重写 自动Merge/Add/Discard
知识来源 预设模板 用户交互轨迹 + 视觉观察
质量保证 初始质量 迭代次数 + 交叉验证
跨场景 单任务 零样本迁移

核心洞察：

  1. 进化即压缩：AutoSkill的Merge操作和XSKILL的Consolidation都是在做有损压缩——保留通用模式，丢弃实例细节。这与人类"遗忘细节但记住经验"的认知机制一致。
  2. 进化即对齐：每次版本更新（v0.1.x → v0.1.x+1）都是对用户偏好的微量对齐。34次迭代的professional_text_rewrite技能，本质上是对"什么是好改写"的34轮RLHF，且无需修改模型参数。
  3. 进化即资产：Skill的版本历史本身就是组织知识资产。当一个员工离职，他留下的不该是聊天记录，而是经过100次迭代的v0.1.100版Skill文档。

4、从"写Skill"到"养Skill"

这两篇论文预示着一个范式的转变：

  • 过去：我们写Prompt（静态）
  • 现在：我们写Skill（半静态）
  • 未来：我们养育Skill（动态）

就像你不会指望一个实习生第一天就完美无缺，但期待他在100天后成长为专家；我们也不应该期待初始提取的Skill完美无缺，但必须确保它有进化机制。

能进化的Skill，才是好Skill。 这不仅是一个技术结论，更是Agent产品设计的哲学基础。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。
图片
图片
对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

图片

👇👇扫码免费领取全部内容👇👇

在这里插入图片描述

最后

1、大模型学习路线

img

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

在这里插入图片描述

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

在这里插入图片描述

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

img

5、面试试题/经验

img

【大厂 AI 岗位面经分享（107 道）】

img

【AI 大模型面试真题（102 道）】

img

【LLMs 面试真题（97 道）】

img

6、大模型项目实战&配套源码

img

适用人群

在这里插入图片描述

四阶段学习规划（共90天，可落地执行）
第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …
第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …
第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …
第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型

  • 带你了解全球大模型

  • 使用国产大模型服务

  • 搭建 OpenAI 代理

  • 热身：基于阿里云 PAI 部署 Stable Diffusion

  • 在本地计算机运行大模型

  • 大模型的私有化部署

  • 基于 vLLM 部署大模型

  • 案例：如何优雅地在阿里云私有部署开源大模型

  • 部署一套开源 LLM 项目

  • 内容安全

  • 互联网信息服务算法备案

  • …

    👇👇扫码免费领取全部内容👇👇

    在这里插入图片描述

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
在这里插入图片描述
在这里插入图片描述

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

# 人工智能 # 算法 # 面试
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

cover

深度解析 PublicCMS 源码：Java 生态下的高并发开源 CMS 系统

avatar AtomGit开源社区
cover

【毛玻璃下的医疗数据革命：AI大模型如何重塑健康大数据管理与服务】

avatar AtomGit开源社区
cover

电力系统暂态稳定分析程序及报告

avatar AtomGit开源社区