SkillRevise: Improving LLM-Authored Agent Skills via Trace-Conditioned Skill Revision
SkillRevise 提出了一种基于执行的框架，通过迭代修订初始技能以改进大语言模型（LLM）代理的技能。该方法利用执行证据诊断技能缺陷，从通用记忆中检索修复原则并应用执行锚定编辑，最终在修订预算内保留最佳观察到的技能。在三个主要基准、两个领域特定研究和六个 LLM 上的评估显示，SkillRevise 显著优于单次生成基线，将 SkillsBench 上基础代理的成功率从 36.05% 提升至 61.63%。此外，修订后的技能可在不同执行器和任务环境中迁移，表明其捕捉了超越单一执行器的可重用过程知识。相关代码已发布在 https://github.com/HKUST-KnowComp/skillrevise。