摘要
大型语言模型代理越来越多地将可重用的程序存储在模型之外。这些可重用的程序通常被称为技能：它们可以是代码函数、自然语言指令、SKILL.md 包、工作流程图或未来代理可以检索和调用的学习适配器。本文基于分类法的调查探讨了这些技能库如何随时间变化。
在 $124$ 篇论文的 $2023$--$2026$ 审核集中，我们将动态技能系统综合为 生命周期管理、经过验证、演变的工件存储：代理从交互中收集证据，提出技能更新，验证并接纳候选者，组织它们以便检索和组合，修复或修剪过时的条目，并通过来源跟踪和回滚治理共享。
我们围绕三个调查工具组织文献。首先，六感分类法区分当前论文中称为“技能”的结构不同的工件。其次，八阶段生命周期架构识别了证据获取、提案、验证/接纳、存储、检索/组合、维护、提炼/可移植性和治理背后的重复设计决策。第三，轻量级技能记录模式和 十操作词汇为比较库更新提供了通用术语，而不将其提升为独立的方法贡献。
利用这一结构，我们综合了带有明确警告的证据分级模式：接纳和修复反复被强调，验证者质量实质性影响技能感知的强化学习，随着库的增长，平坦的检索可能会退化，而当前基准仍然低估了库的轨迹、使用与效用差距和安全表面。最后，我们提出了具体的报告标准和评估动态技能作为变化库的开放问题，而非静态的提示或工具集合。
博主点评： 本文深入探讨了技能库的演变过程，强调了动态管理和验证的重要性，为未来的研究提供了清晰的框架和标准，对推动技能在智能代理中的应用具有重要意义。