智猩猩 AI 整理

论文作者投稿

Agent 调用一个 Skill，发现引用的脚本不在仓库里；换一次对话，又遇到同样的问题。即使临时修好了，为什么这样改、哪些方案已经失败，也常常留在上一段聊天中。

Skill 越用越多，维护经验却未必能留下来。

腾讯微信团队提出了一个持续进化技能的 Harness 框架SkillHone，希望让这些经验随着技能一起积累。它把故障证据、候选修改、测试结果和接受或拒绝修改的原因关联起来，让后续 Agent 接着已有判断继续改进。

相关论文已发表于 EMNLP 2026 Industry Track。

01

把一次故障修成可审阅的改进

Skill 是 Agent 可按需加载的能力包，除了 SKILL.md 中的说明，还可能包括脚本、参考资料和资源文件。实际故障也会发生在这些文件中。

SkillHone 把完整 Skill 仓库作为修改对象：说明过时可以更新，脚本损坏可以修复，引用缺失也可以补齐。

易用性体现在日常维护的入口。完成安装、模型配置并让 Agent 加载相关 Skill 后，用户继续原来的任务即可；Agent 遇到可复现故障时，按已配置策略记录 Issue 和回归测试，进入修复队列。相比每次手动发起一轮技能优化，维护流程可以融入日常工作。

DeepSeek Harness 在隔离分支上修复并运行关联测试，返回本地 PR。

用户可在工作台查看文件改动、运行记录和测试结果。这里的 " 无感 " 指问题发现与修复触发融入原有任务；默认仍需审阅合并，首次配置也需完成。

项目提供了 Phoenix tracing Skill 的公开复现案例：索引指向四份未随包发布的文档，Agent 因而读不到承诺的指导。读者可以沿着公开 Issue、已合并修复和固定版本样例，检查问题与修复过程。

02

让下一次优化知道

上一次为什么这样改

版本差异记录文件改了什么，决策历史还保留问题诊断、候选方案、评估证据和处理结果。遇到新故障时，后续 Agent 可以检查相似方案是否试过，以及当时为什么保留或否决它。

优化侧修改技能，只接收脱敏反馈；评估侧查看测试目标、验证器与执行轨迹，但不能修改技能。这样的权限分离，使优化过程能利用失败反馈，同时限制直接读取答案来改写技能。

图 1 SkillHone 方法框架（原论文图 2）

03

公开基准与内部场景的结果

论文使用 GAIA 纯文本验证子集和 WebWalkerQA 英文集评测。表 1 汇总平均准确率；商业检索基线使用托管检索，其余方法运行于无预集成搜索工具的开放网络设置，结果仅适用于论文配置。

表 1 主要结果（平均准确率，%）

表 2 采用相同执行模型进行消融。移除决策历史后，两项准确率分别下降 13.4 和 10.9 个百分点。

表 2 消融实验（准确率，%）

内部工具分析实验覆盖七个场景，相比初始技能，六个场景改善、一个持平，平均提高 18.8 个百分点。

与从冻结评估集启动的能力优化流程相比，SkillHone 的日常维护模式可以直接从真实故障开始，无需先造 Benchmark；需要衡量更广泛能力时，再启用独立评估流程。

Codex、Claude Code、Cursor 等可调用 CLI 的 Agent 可以接入，修复结果与判断依据会留给下一次工作。

关注 + 星标，获取 AI 前沿进展与开源一线动态