From Trajectories to Differentiated Skills: Cognitive Differentiation for Self-Improving Agents
作者: Yewei Zhao, Derong Xu, Wei Chen, Yin Xu, Peilun Zhou, Xiaohan Wang, Guojun Yin, Wei Lin, Mingjun Xiao
分类: cs.AI
发布日期: 2026-10-16
备注: 22 pages, 7 figures, 17 tables, including appendices
💡 一句话要点
提出认知差异化技能进化方法以提升自我改进代理的能力
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 技能进化 认知科学 功能差异化 自我改进代理 智能代理 任务规划 知识维护 动态交互
📋 核心要点
- 现有技能进化方法主要围绕技能工件组织知识，忽视了个体技能内的功能异质性，导致知识维护和使用的效率低下。
- 本文提出认知差异化技能进化（CDSE），通过四个功能组件（元、经验、工具、脚本）来协调进化统一技能，提升知识的使用效率。
- CDSE在六个基准测试中表现优异，平均提升7.6个百分点，相较于最强竞争方法提升2.6个百分点，验证了其有效性。
📝 摘要（中文）
大型语言模型（LLM）代理通过推理和与外部环境的互动来处理复杂任务。代理技能提供持久的、可转移的能力，指导任务规划、支持工具使用和可执行程序。然而，现有的技能进化方法主要围绕技能工件组织知识，忽视了个体技能内的功能异质性及其对知识维护和使用的影响。本文提出了认知差异化技能进化（CDSE），通过四个功能上独立但协调的组件（元、经验、工具和脚本）来进化统一技能。CDSE从成功和失败的轨迹中提取证据基础的语义梯度，按功能角色整合，并通过跨组件协调和自适应调用进行组件特定的更新和验证。分析显示，96.8%的顶级技能包包含跨越至少两个功能角色的知识。CDSE在六个基准测试、三个代理模型和两个执行环境中，在所有36个设置中均取得最高分，平均提升7.6个百分点，相较于最强竞争方法提升2.6个百分点，消融研究进一步支持了功能差异化和自适应调用的重要性。
🔬 方法详解
问题定义：本文旨在解决现有技能进化方法在知识组织上的不足，特别是忽视了技能内的功能异质性，导致知识维护和使用效率低下的问题。
核心思路：提出认知差异化技能进化（CDSE），通过将技能分解为四个功能组件（元、经验、工具、脚本），并通过这些组件的协调进化来提升技能的整体性能。这样的设计灵感来源于认知科学，强调了功能角色的差异化。
技术框架：CDSE的整体架构包括四个主要模块：元模块负责技能的高层次规划，经验模块记录和分析成功与失败的轨迹，工具模块支持具体的工具使用，脚本模块则负责执行具体的操作。各模块之间通过跨组件协调进行信息共享和更新。
关键创新：CDSE的核心创新在于功能差异化的引入，强调了技能内部不同功能角色的协同作用，这与现有方法的单一技能工件组织方式有本质区别。
关键设计：在技术细节上，CDSE采用了基于证据的语义梯度提取方法，结合功能角色进行知识整合，并通过自适应调用机制实现组件间的动态交互，确保了技能的高效进化。具体的损失函数和参数设置在实验中经过优化，以确保最佳性能。
🖼️ 关键图片
📊 实验亮点
CDSE在六个基准测试中表现优异，所有36个设置中均取得最高分，平均提升7.6个百分点，相较于最强竞争方法提升2.6个百分点，显示了其在技能进化中的显著优势。
🎯 应用场景
该研究的潜在应用领域包括智能代理、自动化任务执行和人机交互等。通过提升代理的技能进化能力，能够更好地应对复杂任务，提高工作效率，未来可能在智能助手、机器人等领域产生深远影响。
📄 摘要（原文）
Large language model (LLM) agents tackle complex tasks through reasoning and interaction with external environments. Agent skills provide persistent, transferable capabilities that guide task planning, inform contextual decisions, support tool use, and enable executable procedures. Yet existing skill-evolution methods largely organize knowledge around skill artifacts, overlooking the functional heterogeneity within individual skills and its implications for knowledge maintenance and use. Inspired by cognitive science, we propose Cognitive Differentiation in Skill Evolution (CDSE), which evolves a unified skill through four functionally distinct yet coordinated components: Meta, Experience, Tool, and Script. CDSE extracts evidence-grounded semantic gradients from successful and failed trajectories, consolidates them by functional role, and applies component-specific updates and validation with cross-component coordination and adaptive invocation. An analysis of 500 top-ranked skill packages shows that 96.8% contain knowledge spanning at least two functional roles. Across six benchmarks, three agent models, and two execution harnesses, CDSE achieves the highest scores in all 36 settings, improving over the Base agent by 7.6 percentage points and the strongest competing method in each setting by 2.6 points on average. Ablation studies further support the importance of functional differentiation and adaptive invocation.