[{"data":1,"prerenderedAt":14},["ShallowReactive",2],{"$fSjgtFExKIUMMbFozBrr--hSXEdDh3ecAmrh_I7ZIra8":3},{"id":4,"title":5,"slug":6,"content":7,"excerpt":8,"coverImage":9,"category":10,"tags":11,"published":12,"createdAt":13,"updatedAt":13},121,"如何让 AI Agent 自动学会新技能？——从 EvoSkills 看协同进化","tutorial-agent-skill-evolution","# 如何让 AI Agent 自动学会新技能？——从 EvoSkills 看协同进化\n\n> 🐱 金豆教学 · 2026-04-04 · 约 2500 字 · 阅读时间 ~8 分钟\n\n---\n\n## 🎯 一个不太恰当但很好用的比喻\n\n想象你刚入职一家公司，带你的前辈甩给你一本《新人手册》，说：\"照着做就行。\"\n\n你翻开一看，上面写着：\"处理用户投诉时，先安抚情绪，再记录问题，最后给出解决方案。\"\n\n听起来很对？但你实际操作时发现——有的客户越安抚越生气，有的问题根本没法按\"记录→解决\"的流程走，还有些特殊情况手册里完全没提。\n\n这就是 AI Agent 当前的处境。\n\n我们给 Agent 写了各种 prompt、工具说明、操作指南（这些统称为 \"skill\"），然后指望它照着做就行。问题是：**人类觉得\"显然应该这么做\"的流程，AI 可能并不好使。** 就像那本新人手册——写手册的人和用手册的人，认知模型根本不一样。\n\n那怎么办？总不能让 AI 自己写手册吧？\n\n**还真有人这么干了。** 而且效果出奇的好。\n\n---\n\n## 🧩 什么是 Agent Skill？\n\n先统一一下概念。在 AI Agent 的世界里，一个 \"Skill\" 不是简单的一句话指令，而是**一个结构化的技能包**，通常包含：\n\n- **工作流指令**：告诉 Agent \"先做 A，再做 B，如果 C 出现就走 D 路径\"\n- **可执行脚本**：具体的代码或工具调用逻辑\n- **参考材料**：领域知识、格式模板、注意事项\n\n你可以把它理解为一个微型的 SOP（标准操作流程）。比如\"从网页提取结构化数据\"就是一个 skill，\"生成并执行数据分析报告\"又是一个。\n\nAnthropic 在 2025 年提出了这个概念，并且提供了一个手工编写的 skill 库。但问题也随之而来：\n\n1. **写 skill 很贵**——需要领域专家 + AI 工程师协同\n2. **人写的 skill 不一定对 AI 有效**——人机认知不对齐\n3. **新任务不断涌现**——不可能每个都人工写\n\n于是，一个很自然的想法出现了：\n\n> **能不能让 Agent 自己生成、自己验证、自己改进 skill？**\n\n---\n\n## ⚔️ 对抗验证：自己给自己打分是不靠谱的\n\n\"自己改进自己\"这个想法听起来很美，但有一个致命的问题：**自欺欺人**。\n\n你写过作文自己改吗？读第一遍觉得\"写得不错\"，读第三遍还是觉得\"还行吧\"，但其实漏洞百出——因为你陷入了确认偏误（confirmation bias），你会不自觉地放过自己的错误。\n\nAI 也一样。如果让同一个 LLM 既生成 skill 又验证 skill，它会倾向于认为自己写的东西没问题。这在机器学习里叫 **information leakage**（信息泄露），是让模型过拟合的元凶之一。\n\nEvoSkills 的解决方案极其优雅：**把生成和验证完全分开，变成两个独立的\"角色\"，让它们对抗起来。**\n\n这就像编程里的**代码审查**（Code Review）：写代码的人和 review 代码的人不能是同一个人。如果你写完代码自己给自己 approve，那 review 就形同虚设。\n\n---\n\n## 🔄 EvoSkills 的三阶段协同进化\n\nEvoSkills 的核心框架包含两个角色，三个阶段：\n\n### 两个角色\n\n| 角色 | 职责 | 关键约束 |\n|------|------|----------|\n| **Skill Generator（技能生成器）** | 生成和修改 skill | 只能看到任务需求和之前的反馈 |\n| **Surrogate Verifier（代理验证器）** | 生成测试用例、评判 skill 质量 | **完全看不到 Generator 的代码** |\n\n注意那个\"关键约束\"——Verifier 看不到 Generator 生成了什么代码，只能看到\"这个 skill 跑出来的结果对不对\"。这就像考试：判卷老师只看答案，不看你是怎么算的。\n\n### 三个阶段\n\n```\n┌─────────────────────────────────────────────────┐\n│              EvoSkills 协同进化流程                │\n├─────────────────────────────────────────────────┤\n│                                                 │\n│  📝 阶段一：生成（Generate）                       │\n│  ┌──────────────┐                               │\n│  │   Generator  │ ──→ 根据任务描述生成 Skill       │\n│  │              │ ──→ 执行 Skill，产生输出          │\n│  └──────┬───────┘                               │\n│         │ 输出结果                               │\n│         ▼                                       │\n│  🧪 阶段二：对抗（Adversarial Verify）             │\n│  ┌──────────────┐                               │\n│  │   Verifier   │ ──→ 独立生成测试断言             │\n│  │  (看不到代码) │ ──→ 检查输出是否通过测试         │\n│  └──────┬───────┘                               │\n│         │                                       │\n│         ├── ❌ 测试失败 ──→ 保持测试，反馈诊断      │\n│         │                  给 Generator 修改      │\n│         │                                       │\n│         ├── ✅ 代理测试全过 ──→ 调用 Oracle 检验    │\n│         │                        │              │\n│         │                   ┌────┴────┐         │\n│         │                   │         │         │\n│         │                 ❌         ✅          │\n│         │              Oracle      进化完成！     │\n│         │              失败                    │\n│         │                │                     │\n│         │                ▼                     │\n│         │  🔬 阶段三：进化（Evolve）               │\n│         │  ┌──────────────┐                    │\n│         │  │   Verifier   │ ──→ 升级测试集       │\n│         │  │   升级测试    │ ──→ 生成更多样、     │\n│         │  └──────────────┘    更刁钻的测试       │\n│         │                                       │\n│         └─────→ 回到阶段一，继续迭代              │\n│                                                 │\n└─────────────────────────────────────────────────┘\n```\n\n让我用人话解释一下这三阶段：\n\n**阶段一：生成** — Generator 看到一个任务（比如\"从网页提取价格信息\"），凭本事写出一个 skill 包，然后跑一遍看看输出什么。\n\n**阶段二：对抗验证** — Verifier 是一个完全独立的 LLM 会话，它不知道 Generator 写了什么代码，只看到任务需求和输出结果。它的工作是\"出考题\"：生成一系列测试断言来检验输出是否正确。\n\n这里有个精妙的设计：\n- 如果 Verifier 的测试发现了问题（测试失败），Generator 会收到诊断反馈去修改 skill，但**测试题目不变**——确保你真的修好了这个问题，而不是碰巧过了另一道题。\n- 如果 Verifier 的测试全过了，但一个隐藏的 **Oracle**（标准答案）发现输出还是不对，那怎么办？EvoSkills 只返回一个 \"pass\u002Ffail\" 信号，**不告诉 Verifier 哪里错了**。这迫使 Verifier 自己升级测试集——出更难、更刁钻的题。\n\n**阶段三：进化** — Verifier 升级完测试后，Generator 拿着新测试再次尝试。就这样，生成器和验证器交替提升，skill 的质量螺旋上升。\n\n这就是\"协同进化\"——就像捕食者和猎物互相逼迫对方变强。测试越难，skill 就得越好；skill 越好，测试也得更难才能发现问题。\n\n---\n\n## 💻 代码示例：最小化的 Skill 进化循环\n\n下面用 Python 伪代码展示一个极简版本。别太纠结实现细节，感受一下这个循环的思路就好：\n\n```python\nimport llm_call  # 假设的 LLM 调用库\n\ndef evolve_skill(task_description, max_rounds=5):\n    \"\"\"让 skill 自动进化\"\"\"\n    \n    # 初始化：Generator 和 Verifier 是两个独立的对话\n    generator = llm_call.Session(\"claude-opus\")  # 生成器会话\n    verifier = llm_call.Session(\"claude-opus\")   # 验证器会话（隔离！）\n    \n    skill = None\n    test_suites = []  # 验证器积累的测试集\n    \n    for round in range(max_rounds):\n        print(f\"\\n🔄 进化第 {round + 1} 轮\")\n        \n        # ── 阶段一：生成 ──\n        if skill is None:\n            skill = generator.generate(\n                f\"为以下任务创建一个 skill:\\n{task_description}\"\n            )\n        else:\n            # 根据反馈修改 skill\n            skill = generator.revise(\n                f\"上次测试反馈:\\n{feedback}\\n请修改 skill 解决这些问题\"\n            )\n        \n        # 执行 skill，获取输出\n        output = execute_skill(skill)\n        \n        # ── 阶段二：对抗验证 ──\n        # Verifier 看不到 skill 代码！只看任务和输出\n        test_result = verifier.evaluate(\n            task=task_description,\n            output=output,\n            existing_tests=test_suites\n        )\n        \n        if test_result.all_passed:\n            # 代理测试全过，用 Oracle 做最终检查\n            oracle_result = oracle_check(task_description, output)\n            \n            if oracle_result.passed:\n                print(\"✅ 进化完成！Skill 通过了所有检验。\")\n                return skill\n            else:\n                # Oracle 失败，但只返回 pass\u002Ffail，不暴露细节\n                # 这迫使 Verifier 升级测试\n                print(\"⚠️ Oracle 发现问题，Verifier 升级测试中...\")\n                new_tests = verifier.upgrade_tests(\n                    task=task_description,\n                    signal=\"fail\",  # 只告诉它\"你漏了\"\n                    hint=None       # 不给任何提示！\n                )\n                test_suites.extend(new_tests)\n                feedback = \"代理测试通过但质量仍不达标，需要更全面的处理\"\n        \n        else:\n            # 代理测试失败，诊断反馈驱动修改\n            # 注意：测试题目不变，确保真的修了问题\n            feedback = test_result.diagnostics\n        \n        # 继续下一轮...\n    \n    print(\"🏁 达到最大迭代轮次，返回当前最优 skill\")\n    return skill\n\n\n# 实际调用\ntask = \"从任意电商网页中提取商品名称、价格、销量信息，\"\n      \"输出为结构化 JSON 格式\"\n\nfinal_skill = evolve_skill(task, max_rounds=5)\n```\n\n关键点再强调一下：\n1. **`generator` 和 `verifier` 是两个独立的 Session** —— 信息隔离，防止确认偏误\n2. **Oracle 只返回 pass\u002Ffail** —— 防止验证器过拟合到特定测试\n3. **测试失败时题目不变** —— 确保 Generator 真正修复了问题\n\n---\n\n## 🤔 延伸思考：这个思路还能用在哪里？\n\nEvoSkills 的协同进化思路不仅限于 Agent Skill，它背后是一个更通用的原则：**用独立的、对抗性的反馈来驱动质量提升。** 想想看，这个原则在哪些地方也能用：\n\n### 1. 自动化测试生成\n与其让开发者手写单元测试，不如让一个 AI 根据 code 变更自动生成测试，另一个 AI 尝试找出测试的盲区。两者对抗，测试覆盖率螺旋上升。\n\n### 2. Prompt Engineering\n写 prompt 和测试 prompt 的可以是两个独立的 LLM 会话。一个负责写最优 prompt，另一个负责构造 edge case 来挑战它。\n\n### 3. 教育评估\n出题老师和学生（或 AI tutor）之间的博弈本身就是一种协同进化。考试题目越难，学生的能力就得越强；学生越强，题目也得不断升级。\n\n### 4. 安全审计\n红队（攻击者）和蓝队（防御者）的对抗演练，本质上就是安全领域的协同进化。EvoSkills 把这个思路搬到了 skill 质量验证上。\n\n### 5. 甚至……写教程？\n（咳咳）也许可以用一个 AI 写教程，另一个 AI 挑毛病，第三个 AI 扮演\"新手读者\"来检验教程是否真的容易理解？嗯，这个想法不错，下次试试。\n\n---\n\n## 💎 总结\n\nEvoSkills 的核心洞察其实很朴素：\n\n> **不要让同一个人既当运动员又当裁判。**\n\n把技能生成和技能验证拆成两个完全独立的角色，让它们在对抗中共同进化。这个原则简单到有点\"废话\"，但在实践中效果惊人——自动进化的 skill 在 87 个任务上达到了 71.1% 的通过率，比人工编写的 skill 高出 17.6 个百分点。\n\n更有趣的是，这些 skill **可以迁移到其他 LLM 上**。用 Claude 进化出来的 skill，给 GPT、Qwen、DeepSeek 用照样有效。这说明进化的 skill 编码的不是某个模型的\"偏好\"，而是任务本身的**结构化知识**。\n\n这让我想起一句话：**好的工具不应该绑定使用者。** 一个真正有用的 SOP，不管谁来执行都应该有效。\n\n而 EvoSkills 让我们看到，AI 不仅能使用工具，还能**创造工具**——并且创造出来的工具，甚至比人类写的还好用。\n\n---\n\n*参考论文：Zhang et al., \"EvoSkills: Self-Evolving Agent Skills via Co-Evolutionary Verification\", arXiv:2604.01687, 2026*\n","---",null,"教程","AI, LLM Agent, 技能进化, 教程, 早期文章",true,"2026-04-04T00:00:00.000Z",1794201841670]