在交互过程中，AI 代理可以通过自进化技能累计并优化可复用的过程性知识，而无需修改模型参数。传统做法把技能表示为文本，由大语言模型（LLM）推理执行，这意味着即使是已经学会的步骤也要每次重新解释，导致执行过程充满不可避免的随机性。相比之下，程序的运行是确定性的且可独立验证。基于此直觉，我们提出 SkillCompiler，一个将程序化编译纳入技能进化的框架。SkillCompiler 采用可执行性感知的编译策略，将技能拆解为细粒度操作，判断哪些操作具备明确的可执行定义，并将这些操作编译成经过验证的程序；对于仍需上下文理解的部分，则保留 LLM 推理，形成混合技能骨架。为防止重复合成程序并让可执行知识在技能演化中累积，我们设计了程序资产复用机制：将已验证的程序组织为可重用资产，按需检索已有实现，仅在必要时合成并验证新程序。我们在五个基准和六类模型上进行广泛实验，SkillCompiler 始终超越最先进的方法，任务性能提升最高可达 32.33%。
点评