Automating Skill Acquisition through Large-Scale Mining of Open-Source Agentic Repositories: A Framework for Multi-Agent Procedural Knowledge Extraction

📄 arXiv: 2603.11808v1 📥 PDF

作者: Shuzhen Bi, Mengsong Wu, Hao Hao, Keqian Li, Wentao Liu, Siyu Song, Hongbo Zhao, Aimin Zhou

分类: cs.AI

发布日期: 2026-03-12

💡 一句话要点

提出一种框架，通过大规模挖掘开源智能体仓库自动获取技能，用于多智能体程序知识提取。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 智能体技能获取 开源仓库挖掘 程序知识提取 大型语言模型 技能标准化

📋 核心要点

  1. 现有的大型语言模型（LLM）在自主工作流程中，由于缺乏专业的程序知识，其效用经常受到限制。
  2. 论文提出通过挖掘开源智能体仓库，自动获取高质量的智能体技能，并将其转化为标准化的SKILL.md格式。
  3. 实验表明，该方法能够显著提升知识转移效率，智能体生成的教育内容在知识转移效率方面可以提高40％。

📝 摘要（中文）

本文研究了一个系统化的框架，用于通过挖掘GitHub等平台上的开源仓库来自动获取高质量的智能体技能。该框架专注于从TheoremExplainAgent和Code2Video等先进系统中提取可视化和教育能力，这些系统都利用了Manim数学动画引擎。框架包括仓库结构分析、通过密集检索进行语义技能识别，以及翻译成标准化的SKILL.md格式。结果表明，从智能体仓库进行系统提取，结合严格的安全治理和多维度评估指标，能够实现程序知识的可扩展获取，从而增强LLM的能力，而无需模型再训练。分析表明，智能体生成的教育内容在知识转移效率方面可以提高40％，同时保持与人工制作的教程相当的教学质量。

🔬 方法详解

问题定义：现有的大型语言模型（LLM）虽然在声明性知识方面表现出色，但在自主工作流程中，由于缺乏足够的专业程序知识，其应用受到限制。如何有效地为LLM配备所需的专业技能，是一个亟待解决的问题。现有方法通常需要人工干预或模型再训练，成本高昂且效率低下。

核心思路：论文的核心思路是通过大规模挖掘开源智能体仓库，自动提取并整合高质量的智能体技能。通过分析仓库结构、识别语义技能，并将其转化为标准化的格式，实现程序知识的可扩展获取，从而增强LLM的能力，而无需模型再训练。这种方法旨在降低技能获取的成本，并提高效率。

技术框架：该框架包含以下主要模块：1) 仓库结构分析：分析开源仓库的结构，识别潜在的技能相关代码和文档。2) 语义技能识别：使用密集检索技术，根据语义信息识别仓库中包含的技能。3) 技能转换：将识别出的技能转换为标准化的SKILL.md格式，方便LLM调用和使用。4) 安全治理：对提取的技能进行安全审查，确保其安全可靠。5) 多维度评估：使用多维度指标评估提取技能的质量和效果。

关键创新：该论文的关键创新在于提出了一种自动化的技能获取框架，能够从开源智能体仓库中大规模提取程序知识，并将其整合到LLM中，而无需模型再训练。这种方法有效地解决了LLM缺乏专业技能的问题，并降低了技能获取的成本。

关键设计：论文中关键的设计包括：1) 使用密集检索技术进行语义技能识别，提高了技能识别的准确率。2) 将技能转换为标准化的SKILL.md格式，方便LLM调用和使用。3) 采用多维度评估指标，全面评估提取技能的质量和效果。具体的参数设置、损失函数、网络结构等技术细节在论文中未详细描述，属于未知信息。

📊 实验亮点

实验结果表明，通过该框架提取的智能体技能能够显著提升LLM的性能。具体而言，智能体生成的教育内容在知识转移效率方面可以提高40％，同时保持与人工制作的教程相当的教学质量。这表明该方法能够有效地获取高质量的程序知识，并将其应用于实际任务中。

🎯 应用场景

该研究成果可应用于各种需要专业技能的自主智能体系统，例如教育、科学研究、软件开发等领域。通过自动获取和整合开源社区的技能，可以快速构建具备特定能力的智能体，提高工作效率和质量。未来，该方法有望促进智能体的普及和应用，推动人工智能技术的发展。

📄 摘要（原文）

The transition from monolithic large language models (LLMs) to modular, skill-equipped agents represents a fundamental architectural shift in artificial intelligence deployment. While general-purpose models demonstrate remarkable breadth in declarative knowledge, their utility in autonomous workflows is frequently constrained by insufficient specialized procedural expertise. This report investigates a systematic framework for automated acquisition of high-quality agent skills through mining of open-source repositories on platforms such as GitHub. We focus on the extraction of visualization and educational capabilities from state-of-the-art systems including TheoremExplainAgent and Code2Video, both utilizing the Manim mathematical animation engine. The framework encompasses repository structural analysis, semantic skill identification through dense retrieval, and translation to the standardized SKILL.md format. We demonstrate that systematic extraction from agentic repositories, combined with rigorous security governance and multi-dimensional evaluation metrics, enables scalable acquisition of procedural knowledge that augments LLM capabilities without requiring model retraining. Our analysis reveals that agent-generated educational content can achieve 40\% gains in knowledge transfer efficiency while maintaining pedagogical quality comparable to human-crafted tutorials.