Skill 文档正成为冻结的大语言模型（LLM）代理的默认适配层，但现有的技能生成器仍面临两大瓶颈。其一，人类与不同 LLM 在组织过程知识和求解任务的方式上存在差异，单一视角编写的技能可能与其他模型的推理行为不匹配，导致跨模型泛化受限。其二，顺序化的技能描述难以表达并行分支和显式依赖，而现有的技能优化器主要针对自然语言文本，缺乏对图结构化技能演化的原生支持。
为此我们提出 MultiEvoSkill，一个包含三大核心模块的技能优化框架：
- Skill Compiler 将技能转化为带类型标注的有向图，使用专用算子抽取紧凑且信息丰富的过程拓扑；
- 异构代理系统 基于集体智能给出修订建议，利用多组经验识别最小且信息量大的问题；
- 结构感知辩论与进化机制 将候选编辑组织为异构图，在依赖关系和重要性约束下进行冲突消解，并将集体提案蒸馏为最终文档。
多维门控机制保证每一次演化都带来信息增益并保持拓扑正确性。当系统在一致状态收敛时，即得到最优技能。我们在多项基准上与最新方法进行对比实验和消融研究，验证了 MultiEvoSkill 的有效性和跨模型泛化能力。
点评