感谢分享，想多了解一下这种多层级的skill与graph是不是本质上类似。

[wygasdaf]

不同层级的skill之间有依赖关系，这就天然的构成了graph，新的问题过来本质是在检索graph上的某个最相似节点。然后基于这个节点发散出相关的action。

[wygasdaf]

个人感觉这个skill的生成过程有点像鸡生蛋，蛋生鸡。开始的skill取决于强的agent生成的有效轨迹，如果这一步就做不到，那后面应该如何处理呢？又或者说，我已经有一个很强的agent能够做好这些task，那我还需要这些skill干嘛呢？

[sunnychenxiwang]

感谢您的关注！您所提出的疑问其实是目前经验学习或者Memory等相关工作都存在的。
问题1：本质上还是模型在执行时根据当前的任务状态去检索相关的记忆使得能最大化下一步成功的概率，而无关经验表征形式。
问题2：（1）经验学习取决于基模的能力，很明显对于弱模型，基于training-free的方式有明显的性能瓶颈。尽管能通过训练，如经验内化、端到端训练经验挖掘和利用等方式极大提升效果，这本质上也是在提升模型在当前领域的基模能力。这和自进化需要一个强的基模的原因是一致的。（2）经验无论是skill还是其他表征形式，都是为了提升模型的Pass@1以及减少在线推理时的成本。在同等上下文窗口下，通过减少在线推理成本也能提升模型的边界能力。