今日推送

论文解读研究技能库中技能复用的成本与相关性权衡问题。提出SkillLens，核心创新是自适应多粒度技能复用机制，根据任务需求动态选择技能粒度。解决了粗粒度技能引入无关上下文、细粒度重写成本高的问题。实验表明该方法能在保持性能的同时显著降低成本。

论文解读研究如何让LLM Agent自主掌握技能而非依赖外部规则或教师。提出SkillMaster，核心创新是让技能成为Agent可通过经验发展的内在能力，而非外部可调用资源。方法涉及技能的创建、细化和选择全生命周期自主化。实验表明Agent能有效内化和适应技能。

论文解读研究多Agent系统中技能进化与系统结构调整的协同问题。提出SkillMAS，一个非参数框架，允许技能和MAS结构同时适应任务需求。核心创新是解除技能进化与系统重组的耦合，实现联合优化。实验表明该方法能有效缓解组织瓶颈和上下文压力。

论文解读研究如何通过强化学习自动改进LLM Agent的技能。提出Skill-R1，核心创新是将技能优化建模为递归过程，包含技能创作和技能细化两个耦合阶段。方法不依赖模型参数更新，可适用于闭源模型。实验证明该方法能显著提升技能质量和Agent任务性能。

论文解读研究LLM Agent如何有效利用大规模技能库解决文档和工作流任务。提出SkillRAE，专注于技能检索增强执行（RAE），先检索外部技能和知识，再编译上下文用于执行。核心创新是针对技能库的专门检索和上下文整合机制。实验表明该方法能有效提升Agent在artifact-rich任务中的效率。

论文解读研究如何让LLM Agent从实际使用中持续学习和改进技能。提出SkillEvolver，一个轻量级即插即用方案，通过单一元技能迭代创作、部署和细化领域特定技能。核心创新在于在线学习机制，允许技能在真实任务中自动改进。主要结论是该方法能显著提升Agent在复杂任务中的适应性和性能。

论文解读研究LLM Agent自演化过程中的能力退化现象。核心发现是自我进化通常是非单调的：适应新任务分布会逐步退化先前习得的能力，涉及所有主要进化通道（工作流细化、技能累积、模型自训练、持久记忆）。识别此现象并提出能力保护策略。首次系统揭示自演化Agent的能力退化问题。

论文解读研究如何改进LLM Agent的情节记忆检索质量。现有方法独立评估每次记忆检索，忽视记忆间的依赖链。提出MemQ，应用TD(λ)资格痕迹到记忆Q值，通过溯源DAG反向传播信用。核心创新是将强化学习时序差分方法引入记忆检索。显著提升长期任务中的记忆利用效率。

论文解读研究LLM Agent在复杂问题求解中的自适应优化能力。现有评估缺乏对Agent感知、推理、记忆等核心认知能力在novel环境中的应用测试。提出OPT-BENCH，评估Agent在无memorizing patterns情况下应用内在认知能力的能力。核心贡献是设计大规模搜索空间下的迭代自优化评估范式。

论文解读研究如何提升Agent知识库质量以支撑开放域任务。核心问题是知识库存在不完备、不正确和冗余等质量问题。提出DeepRefine，通过强化学习自动细化Agent编译的知识库。核心创新是针对跨文档链接、证据完整性和指代消解的综合优化。实验表明显著提升下游任务性能。