超20万个高质量Skills！浙大等联合推出SkillNet，告别孤立Skill实现自进化

49 0 0

文章摘要

浙江大学联合多家顶级研究机构，推出拥有超过20万个高质量Skills的开源基础设施SkillNet，解决当前人工智能体处理复杂任务时依赖临时学习、无法沉淀可复用知识体系的行业痛点。SkillNet让AI智能体彻底告别失忆式工作，在各类复杂任务中平均任务奖励跃升40%并缩减30%的执行步骤。该框架可将杂乱的互联网资源与人类经验转化为标准化可执行Skills，通过自动生成组织、多维评估保障Skills的安全高效，再以图谱网络串联孤立Skills，为各类大语言模型提供一个可不断自我进化的外挂智慧库。SkillNet将每次成功任务轨迹和散落开源代码提炼为独立Skills单元，让智能体无需在基础步骤摸索上浪费上下文窗口，形成属于机器的长期经验记忆，其调用流程简化为发现、激活、执行三个高效阶段，文件化版本控制设计保障了知识跨系统移植，审核迭代也更为顺畅。

SkillNet搭建了全自动Skills创建流水线，可从用户执行对话日志、GitHub开源代码、半结构化办公文档、用户自然语言提示词四类核心数据源中提炼标准化Skills，还设计了三层递进的Skills本体网络架构：顶层为划分十大类的Skills分类法提供宏观语义骨架，中层为包含相似、组合、归属、依赖四种关系的Skills关系图谱支撑复杂推理，底层为封装模块化Skills的Skills包库，降低复杂任务的调用门槛。为避免低质内容污染生态，SkillNet建立了严苛的质量过滤机制，确立了安全性、完整性、可执行性、可维护性、成本意识五大核心维度的量化评估体系，自动化评分结果与人类专家判断具备极高吻合度，可有效剔除冗余、低质内容，保障Skills库的高质量。

经过三大仿真环境的交叉对比测试，接入三款主流基础大模型后，加持SkillNet的智能体在任务表现与执行效率上均取得压倒性优势，无论大模型参数规模大小，接入后都能获得稳定显著的能力提升，可帮助智能体摒弃低效盲目试错，实现知识的跨任务泛化迁移，让智能体能力提升成为可稳定积累的实战资产。目前SkillNet已在自动化科学探索、自动化代码工程两大核心业务场景落地，相较传统主流Skills平台，其在全生命周期管理与结构化关系解析方面具备明显优势。SkillNet将杂乱互联网数据沉淀为结构化可执行智慧，帮助AI建立可复用的永久经验记忆，推动机器从被动响应工具向掌握系统性专长的数字分身加速蜕变。