CDSE 方法将智能体技能拆成四类功能组件
论文AI 评分 72/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇 arXiv 论文提出 CDSE（Cognitive Differentiation in Skill Evolution）方法，把智能体的统一技能拆成 Meta、Experience、Tool、Script 四个功能不同但相互配合的组件。该方法从成功与失败的轨迹中提取有证据支撑的语义梯度，按功能角色归类，再做组件级更新与验证，并跨组件协调、自适应调用。作者分析了 500 个排名靠前的技能包，其中 96.8% 包含至少两种功能角色的知识。在六个基准、三种智能体模型、两套执行框架共 36 种设置下，CDSE 全部取得最高分，比基础智能体高 7.6 个百分点，比各设置下最强对比方法平均高 2.6 个百分点。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载技能组织的现有问题
论文指出，LLM 智能体通过推理和与外部环境交互来完成复杂任务，技能则是持久、可迁移的能力，用于指导任务规划、辅助上下文决策、支持工具调用并承载可执行流程。但现有技能演化方法大多围绕技能产物来组织知识，忽略了单个技能内部的功能异质性，也就是一个技能里其实混着性质不同的知识，这会影响知识维护与使用。作者据此提出 CDSE，把统一技能拆成四个功能不同又彼此协调的组件：Meta、Experience、Tool、Script，让不同性质的知识各归其位。
方法如何运作
CDSE 的做法是从成功和失败的轨迹中提取有证据支撑的语义梯度，再按功能角色对这些梯度进行归并，随后对每个组件分别做更新与验证，并在组件之间做协调，同时支持自适应调用。也就是说，技能不再是一个整体被统一改写，而是按功能分工分别维护，调用时再根据情况选择相应组件。论文通过消融实验检验了功能分化与自适应调用这两个设计的作用。
实验规模与结果
作者先分析了 500 个排名靠前的技能包，发现 96.8% 都包含至少两种功能角色的知识，说明功能混杂在真实技能中相当普遍。实验覆盖六个基准、三种智能体模型和两套执行框架，共 36 种设置，CDSE 在全部设置中得分最高：相对 Base agent 提升 7.6 个百分点，相对每种设置下最强的对比方法平均提升 2.6 个百分点。论文共 22 页、7 张图、17 张表，含附录。
为什么值得看
把技能按功能拆解而非按产物组织，36 种设置全胜，为智能体自我改进提供了可复用的方法参考。
Meta智能体论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。