企业官网建设流程全解析

SkillGLoW 不再把所有经验塞进一个总文档，也不按任务无限堆技能，而是把相似解法聚成“程序族”、压缩为全局先验，再用真实执行门控更新；在 4 个基准、3 个模型、12 次持续改进运行中，Global-only 平均提升 17.2pp，Global+Local 提升 18.0pp，技能库比逐任务池紧凑 3.6×。

摘要：论文研究长时程 Agent 应如何保存自我生成的技能。作者发现：单一全局文档会过度压缩成空泛纪律，逐任务技能池又会膨胀并过拟合实例。SkillGLoW 以“共享求解程序”为复用单位，把局部执行证据聚成程序族、压缩为去实例化先验，并用真实执行门控更新；结果在 12 次持续运行中全部获得正向提升。

论文标题: "SkillGLoW: Procedural-Family Skill Consolidation for Self-Improving Agents on Long-Horizon Task Streams"作者: "Ao Yan, Xin Zhang, Jiawei Du, Joey Tianyi Zhou"发表年份: 2026原文链接: "https://arxiv.org/abs/2609.02217v1"关键词: ["LLM Agent", "自我改进", "技能库", "程序族", "Global-Local Weave", "持续学习"]

研究背景：为什么“记住经验”反而可能害了 Agent？

一个常见答案是：Agent 做完任务后，把成功经验总结成 Skill，下次检索出来复用，不就能越用越聪明吗？

听起来对，但只说对了一半。真正棘手的不是“会不会总结”，而是以什么粒度保存。粒度太粗，技能变成正确但无用的口号；粒度太细，技能库又像堆满旧工单的仓库——看似信息丰富，真正遇到新问题时却检索不到可直接复用的做法。

下面这张论文原图把矛盾画得很直白：左边把不同程序硬压进同一个文档，右边则一项任务存一个条目；GLoW 选择中间层——一个程序族对应一个可复用先验。

单文档、扁平技能池与程序族粒度的差异

图里最值得看的是中间那条“粗—细”轴：GLoW 不是折中式地取平均，而是在任务实例与全局规则之间重新定义了一个知识单位——procedural family，程序族。

痛点一：单一文档会把“操作步骤”压成“职业素养”

单文档默认所有任务共享一套主导流程。可终端修复、数学推理、软件补丁和具身控制的解法差异太大，反复合并后往往只剩“先读需求、检查边界、验证输出”这类泛化纪律。

论文引用 SkillsBench 的结果很扎心：人工编写技能平均提升 16.2pp，而模型仅根据任务描述自生成的技能反而比 No-Skill 低 1.3pp。问题不只是文案质量，而是缺少真实执行证据，也没有保住足够具体的可操作结构。

痛点二：逐任务技能池越长，实例绑定越严重

另一种做法是每完成一项任务就存一条 Skill。它避免了过度压缩，却会把文件路径、对象位置、阈值、测试常量等实例细节一起固化。任务越多，库线性膨胀；检索到“主题相似、程序不同”的旧条目时，还可能发生负迁移。

论文的 Local-only 平均能带来+10.9pp，说明当前任务的执行反馈确实有价值。但如果把每个 local skill 都长期保存，就又回到了“一个任务一个条目”的增长模式。

痛点三：有检索，不等于有抽象

给扁平池加 Top-K 检索也不是万能药。论文中的 AWM 式 flat pool + retrieval 平均只提升5.0pp，12 个实验单元里还有 3 个下降；而程序族完成第一次整合后就达到+11.2pp。

原因是：检索解决的是“从旧条目里找哪条”，却没有回答“旧条目里究竟哪部分值得长期保存”。相似性检索不是知识抽象，Top-K 也不会自动把实例经验提炼成共享程序。

方法总览：SkillGLoW 怎样把“经验堆积”变成“程序沉淀”？

SkillGLoW，全称 Global–Local Weave，核心是把知识分成两层：长期层保存程序族的 global prior；短期层只服务当前任务，根据这次真实执行反馈生成 local skill。两者在推理时拼接，在离线整合时又重新分开。

SkillGLoW 从局部证据到程序族整合，再到执行期编织的完整框架

快速建立心智模型，可以把整条流水线压成下面一行：

任务流 → 多次真实执行 → Local Skill / Skill Card → 按“怎么解决”聚成程序族 → 压缩成 Global Prior → 真实执行门控 → 写入长期库 → 新任务召回 Prior + 现场再生 Local Skill

这里有一个很关键的反直觉点：长期记忆不负责记住所有细节，而是负责告诉 Agent“该沿哪条程序搜索”；实例细节交给当前任务现场重建。

关键结论

• • 🔧 程序族是更有效的复用粒度：Global-only 相对 No-Skill 平均提升17.2pp hard，Global+Local 为18.0pp，且 12/12 次持续改进运行都为正增益。
• • 🔄 “全局先验 + 局部再生”比无限存档更轻：最终技能库按程序族保留 prior，以词数计比逐任务技能池紧凑3.6×。
• • 📉 真实执行门控挡住了纸面上漂亮、部署时退化的更新：26 次 admission decision 中接受 19 次、拒绝 7 次；最终有 gate 的平均增益为+14.7pp，无 gate 候选只有+9.6pp。

深度拆解：五步看懂 GLoW 的知识生命周期

第一步：从“同一任务的前后变化”里抽取局部证据

GLoW 不让模型凭任务描述空想 Skill，而是让冻结 Agent 在同一任务上多次执行，比较相邻轨迹发生了什么变化，并结合 verifier 分数判断哪些动作真正推动了结果。

形式上，执行器返回轨迹与分数：(τx(s), rx(s)) = h(π, x, s)。Localize 再根据轨迹差异Δτx和分数生成当前任务的Lx。这个 local skill不查历史库，也不直接进入长期库。

论文把整个过程写成一轮 task stream 的伪代码。阅读时重点看三段：Stage 1 收集局部证据，Stage 2 聚类与压缩，Stage 3 执行门控提交。

GLoW 在任务流上的一轮完整处理过程

💡 类比：这像复盘一道刚做错的题。你不是翻全网题解，而是对比“第一次错在哪、第二次改了什么、分数为何变高”，先写出一张只属于这道题的错题卡。错题卡很具体，但它还不是教材。

第二步：Skill Card 把一次经验变成可聚类对象

每项任务会形成一张 Skill Card：cx = (x, ax, τx, rx, Lx)，包含任务指令、抽象操作签名、执行轨迹、验证分数与 local skill。轨迹差异只用于提炼，不被长期携带。

论文给出的提示词说明，成功案例只提取 2—4 条可执行步骤，总长度不超过 80 词，并明确禁止写入任务特定路径、测试常量或 verifier 输出；失败案例则要求定位真正缺失的规则，而不是生成“更仔细一点”这种废话。

从单个任务真实执行中抽取局部技能与失败归因的提示词

这一步解决的是证据质量：Skill 必须来自“做过以后知道什么有效”，而不是“没做以前觉得什么合理”。

第三步：按“怎么做”聚类，而不是按“谈什么”聚类

GLoW 为每张卡构造多视图表示：操作签名、任务指令、轨迹摘要和完整 local skill 分别编码，再加权融合。签名权重最大，完整技能文本最小，目的就是削弱表面词汇与实例细节的影响。

聚类也不是跑一次层次聚类就完事。系统会改变 linkage 与簇数候选，统计任务对在多次划分中共同出现的频率，形成 consensus similarity；最终簇数再由 silhouette 曲线的 Kneedle 拐点自动选择。

附录中的分组提示词把标准写得很硬：两个任务只有在“一套程序写一次就能完成两者核心部分”时才算同族，不能因为都用了相同框架、字段或文件路径就合并。

程序一致性判断与规范化操作签名生成提示词

💡 类比：不要按“菜名”分厨师，而要按“做法”分。红烧鱼和红烧肉主题不同，但共享火候与收汁程序；清蒸鱼虽然也有“鱼”，程序却完全不同。GLoW 聚的是“红烧法”，不是“鱼类任务”。

第四步：压缩成去实例化的 Global Prior

每个程序族被压缩为一个候选 prior。压缩器只保留三类内容：适用条件、核心求解步骤、共同失败模式；某一步如果只对族内一个任务成立，就应该删掉，而不是为了让 Skill 看起来充实而强行写进去。

程序族压缩提示词强调宁可短，也不要强行合并实例步骤

论文给了一个很具体的 ALFWorld 例子：某个“在灯光下检查物体”的 local skill 有 989 词、7 个步骤，还记着家具位置排序；压缩后的 family prior 只有 440 词、4 个步骤，位置表被删除，只留下“从初始观察找照明物—取目标—运到照明物所在容器—执行 use 并终止”这条程序链。它随后修复了 alarm clock、book、cell phone 三个不同对象。

💡 类比：local skill 像某位员工写的工单，里面有客户名、机器号和当天的临时绕路；global prior 像团队 SOP，只保留判断条件与稳定步骤。下一张工单的机器号，应该现场查，不该写死在 SOP 里。

第五步：Commit Gate 让“会写”服从“真能跑”

语言压缩可能丢约束，也可能把规则适用范围说宽。GLoW 因而不直接提交候选 prior，而是仅用 global prior 重新执行任务，计算真实价值V(G; D)。只有候选不低于历史最佳或 No-Skill 锚点太多时才提交，容忍度ε = 0.02用来吸收测量噪声。

部署时，系统始终注入 base prior，再用任务指令检索 Top-1 family prior；相似度低于0.45就 fail-closed，只用 base。任务开始后 prior 冻结，local skill 则根据本次反馈不断再生。

真正的 Global–Local Weave 不是把两段文字简单拼起来，而是让全局层负责“搜索方向”，局部层负责“实例落地”，门控层负责“长期记忆不倒退”。

实验结果：它真的比“多存一点”更好吗？

实验设置：4 个场景、3 个模型、12 次持续运行

论文覆盖四类差异很大的任务流：Terminal-Bench-Pro 32 项终端任务、SWE-bench Verified 20 项软件修复、ALFWorld 42 项具身任务、LiveMathematicianBench 53 项数学推理。模型包括 DeepSeek-V4-Pro、MiniMax-M3 和 GPT-5.4-mini，共4 × 3 = 12次独立 continual runs。

每次运行包含 3 rounds × 3 sub-rounds；三种模型都同时负责求解、局部技能抽取和程序族压缩，没有额外更强的 teacher model。训练阶段合计执行3969 次真实部署。

整体效果是否稳定，而不是靠一两个幸运单元格？

下面是论文主结果表。不要只看每列最粗的数字，更该看绿色增益是否跨模型、跨任务一致。

三个模型在四个基准上的主结果，含 No-Skill、SkillOpt 与两种 GLoW 设置

Global-only 平均提升17.2pp hard / 13.0pp soft；加入 local regeneration 后是18.0pp / 14.6pp。两种设置在 12/12 个 run 上 hard 都为正，配对 sign test 与 Wilcoxon 的双侧p = 0.000488。

最大单格来自 MiniMax-M3 × SWE：Global+Local 提升30.0pp hard / 27.7pp soft。同协议比较 SkillOpt 时，GLoW 在 21 个可比单元格中领先 15 个，SkillOpt 领先的 4 个全部来自程序骨架更统一的 ALFWorld。

💡 洞察：GLoW 的优势恰好在异质性更强的终端、软件修复和数学任务上更明显。这支持了论文的核心判断：当“一份总技能”找不到主导程序时，中间层的程序族才开始值钱。

为什么不能只要全局、只要局部，或者给扁平池加检索？

消融结果非常有解释力：Base-only 平均只提升2.0pp，并在 12 个单元格中的 4 个退化；Local-only 为+10.9pp；AWM 式扁平池检索为+5.0pp。相比之下，Global-only 是+17.2pp。

这说明两端都不够：全局压缩丢掉了程序差异，局部经验又缺少跨任务沉淀。真正有效的是“按程序族压缩后，再在当前任务上补实例细节”。

Commit Gate 是安全带，还是装饰？

论文把有门控的已提交库与“每轮候选无条件上线”画在一起：第一轮两者同为 +11.2pp，之后候选开始衰减，而 gate 把已验证版本保留下来。

有无 Commit Gate 时，三轮持续整合的平均 hard 增益变化

26 次门控决策中，系统接受 19 次、拒绝 7 次；其中 4 次拒绝若只看 consolidation-time score 会被误判为可接受。最终有 gate 的平均增益为+14.7pp，无 gate 候选为+9.6pp，相差5.1pp。

💡 洞察：候选文本“看起来更完整”不代表部署更好。持续学习系统真正危险的不是学不到，而是把一次错误抽象永久写进记忆。Gate 的作用不是追求每轮都涨，而是把“非单调学习”变成“可回滚部署”。

学到的是程序，还是记住了训练任务？

论文把训练后的 frozen library 原封不动用于 60 个 ALFWorld valid_unseen 任务，关闭 local regeneration，只测试 global prior 的迁移。

冻结的全局先验在 60 个未见 ALFWorld 实例上的迁移结果

三种模型都提升，平均成功率从73.9% 到 83.9%，增加 10.0pp。SWE 的 30 个未见实例上，MiniMax-M3 也从 40.0% 提升到 45.6%。

💡 洞察：如果 prior 只记住训练实例，关闭 local regeneration 后不该在新实例上稳定增益。这个结果支持“迁移的是程序”的说法，但证据仍有边界：ALFWorld 未见集共享任务类别，SWE 也仍属于同一软件修复分布，它还不是严格的跨领域迁移。

收敛性、边际效应与平台期

论文没有展示候选 prior 单调收敛，反而明确承认性能常在round 1达到高点，后续候选可能衰减。因此 GLoW 的稳定性来自门控保留历史最佳，而不是每轮生成器都更聪明。

局部反馈也有边际递减：在 1323 个 task×round 对中，第 2 个 sub-round 改善 162 次，占12.2%；第 3 个只改善 70 次，占5.3%。继续迭代仍有效，但收益已经明显进入平台期。

还有一个容易被平均数掩盖的细节：Global+Local 虽然总体从 17.2pp 小幅升到 18.0pp，却不是每个单元格都优于 Global-only。比如 DeepSeek × TBP 的 hard 从 50.0 降到 43.8。也就是说，局部再生本身仍需要更细粒度的启停或可信度判断。

未来工作与思考

论文给出的后续可能的研究方向如下

第一，验证 prior 能否跨越真正的 domain shift；

第二，测试一个模型生成的纯文本 library 能否被另一个模型继承；

第三，把程序族技能库放进持续开放的 workflow，让库只在出现新程序时增长，而不是每来一个任务就增长。

总的来说，SkillGLoW 最重要的贡献不只是又做了一个 Agent memory 框架，而是把问题问得更准：Agent 的长期记忆，不该以任务为单位，也不该以整个领域为单位，而应以可验证、可迁移的求解程序为单位。对正在搭建自我改进 Agent 的团队，这比“换一个更大的向量库”更值得优先讨论。

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】