随着大语言模型（LLM）能力的提升，AI 系统的长期价值不再局限于单次请求的解决，而在于将经验和累积的知识转化为持久、可复用的能力。我们提出 SimSkill，这是一种围绕城市交通仿真平台 SUMO（Simulation of Urban MObility）构建的自我进化代理。
SimSkill 能够自动识别自身的能力缺口，基于环境生成并求解任务，通过动作‑批评（action‑critic）循环验证解答，并在不更新底层模型的前提下，将经验整合进三类记忆：情景记忆、过程记忆和语义记忆。通过自主探索，它逐步构建起覆盖交通仿真工作流的可复用库。
我们在两个未见的基准上使用三种不同的骨干 LLM 进行评估，并采用独立的制品验证手段。实验表明，SimSkill 能将验证通过率提升至多 25 个百分点。消融实验显示，过程记忆和语义记忆对提升效果互补。记忆的收益受模型规模和预算限制影响：并非所有模型都能从记忆中获益，也并非所有情况下都能显著降低推理成本。
更广泛地说，SimSkill 展示了一种设计范式：自然语言用于保存和组合计算能力，而可执行工具和代码提供精确且可复现的执行方式。所有代码和实验数据已公开发布，地址为 https://github.com/qiliuchn/SimSkill-V1。
点评