在AI代理（Agent）日益复杂的今天，为它们配备特定领域的技能至关重要。但手动编写技能耗时费力，而自动生成的技能往往碎片化、不通用。最近，来自阿里Qwen团队、ETH苏黎世、北大等机构的研究者提出了一种名为 Trace2Skill 的新框架，它通过并行分析大量执行轨迹，并归纳推理出通用模式，从而生成可迁移、高质量的技能。

这项工作挑战了“经验必然与模型或任务绑定”的传统观念，证明经验可以被蒸馏成与模型无关的声明式技能，甚至能让小模型（如35B参数）生成的技能提升大模型（如122B参数）的性能。

传统技能生成的瓶颈

当前LLM代理的技能生成主要面临两个挑战：

1. 手动编写 scalability 差：随着应用场景复杂化，人工编写和维护技能成为瓶颈。
2. 自动生成质量低：基于参数知识生成的技能缺乏领域细节；而在线顺序更新（如根据新轨迹不断修改技能）容易过拟合，导致技能碎片化。

研究者观察到，人类专家编写技能时，会先广泛分析领域经验，再提炼成单一、全面的指南。而现有方法要么是“见一个改一个”（顺序更新），要么生成一堆小技能（碎片化），都与人类专家的做法相悖。

Trace2Skill框架

Trace2Skill的核心思想是模拟人类专家的技能编写过程：先并行分析大量执行轨迹，再归纳出通用规则，最终生成一个统一、无冲突的技能文档。

1. 三个阶段流程

Trace2Skill的流程分为三个阶段：

• 阶段1：轨迹生成使用初始技能（S0）让代理在并行任务上执行，收集成功（T+）和失败（T-）的轨迹。这一步完全可并行化，效率很高。
• 阶段2：并行多代理补丁提议分配一组“分析师”子代理，每个独立分析一条轨迹，提出技能修改补丁（Patch）。

• 成功分析师（A+）：单次调用，从成功轨迹中提取通用行为模式。
• 错误分析师（A-）：采用多轮交互式诊断（ReAct循环），深入排查失败根因，确保补丁基于验证过的原因。 所有分析师并行工作，互不干扰，保留多样性。

• 阶段3：无冲突整合将所有补丁通过分层合并（类似二叉树合并）整合成一个统一的技能更新。合并过程会：

• 去重、解决冲突（如同文件同范围的编辑）。
• 归纳推理：只保留高频出现的模式，认为其更可能通用；低频补丁则移至参考资料。 最终生成新技能（S*），可直接使用，无需检索模块。

2. 两种工作模式

• 技能深化：基于现有高质量人工技能（如Anthropic官方xlsx技能），用轨迹经验进一步优化。
• 技能创建：从零开始，基于参数知识生成的粗糙技能，通过轨迹经验蒸馏出实用技能。

小模型生成的技能，大模型也能用！

研究者在多个领域验证了Trace2Skill的效果：

1. 电子表格任务（SpreadsheetBench）

• 技能深化：用122B模型生成的技能，让35B模型的性能提升27个百分点（验证集）。
• 技能创建：用35B模型从零生成的技能，让122B模型在WikiTableQuestions（OOD任务）上提升57.65个百分点！
• 对比基线：Trace2Skill显著优于人工技能（跨模型时可能失效）和纯参数知识技能。

2. 数学推理（DAPO-Math & AIME）

• 技能在数学领域同样有效，且能跨模型迁移（35B生成的技能提升122B模型性能）。

3. 视觉问答（DocVQA）

• 122B模型生成的技能，对35B模型也有显著提升，说明技能编写能力与任务执行能力可分离。

4. 与传统方法对比

• 并行 vs. 顺序更新：并行整合效率更高（3分钟 vs. 60分钟），且避免顺序过拟合。
• 蒸馏技能 vs. 检索记忆库：Trace2Skill生成的单一技能文档，比基于检索的经验银行（ReasoningBank）更通用，尤其在跨任务时。
• 交互式错误分析 vs. 单次LLM调用：A-代理的多轮诊断能更准确定位根因，生成的技能迁移性更强。

为什么有效？

Trace2Skill成功的核心在于归纳推理：

• 从大量轨迹中提取高频模式（如“公式重算后必须验证”），编码为通用规则。
• 低频或特定案例的补丁被移至参考资料，保持主技能简洁。
• 分层合并机制自动形成“主文档+参考资料”的层次结构，模仿人类专家的知识组织方式。

总结与展望

Trace2Skill证明了：

1. 经验可以蒸馏：即使基于小模型的轨迹，也能生成可跨模型、跨任务迁移的技能。
2. 并行分析优于顺序更新：更高效，避免过拟合。
3. 声明式技能优于检索记忆：无需外部模块，直接集成到代理中。

未来工作可包括：量化每个补丁的因果效应，进一步优化合并策略。

一句话总结：Trace2Skill让AI代理像人类专家一样，从大量经验中“举一反三”，提炼出通用技能，且小模型也能教大模型！

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

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】