让Agent学会「如何演化」：清华、华为提出层次化技能元演化框架HiSME

作者介绍：李旭浚、郑克寒等来自清华大学计算机科学与技术系，研究方向包括 LLM Agent、大语言模型强化学习和测试时学习。

当大模型 Agent 被部署到工具调用、长程任务和开放环境中，一个关键问题会随之出现：能否在不更新模型参数的情况下，将执行经验沉淀下来，并在下一次做得更好？

「技能演化」（skill evolving）正是这样的测试时学习范式。Agent 执行任务后，系统从轨迹中总结可复用技能，比如工具调用流程、API 前置条件或领域操作经验；之后再遇到相似任务，这些技能会被检索出来，作为上下文提供给 Agent。但现有流程本身通常是静态的：抽取、重构、修订和过滤技能的策略往往由人工预先写死。既然技能可以从执行经验中演化出来，那么「产生技能的算法」是否也可以在测试时继续演化？

清华大学与华为基础模型部的研究者在论文中给出了答案：HiSME，一个轻量级的层次化技能元演化框架。它不更新底层 LLM 参数，而是在文本空间中同时优化两类对象：面向任务执行的技能，以及面向技能生成与维护流程的「元技能」（meta-skills）

• 论文标题：You Live More Than Once: Towards Hierarchical Skill Meta-Evolving
• 论文链接：https://arxiv.org/abs/2605.28390

静态技能演化的缺口

静态技能演化有两个痛点。第一，它很难适配不同场景：例如，工具调用强调 API 参数和状态追踪，而开放世界 embodied task 更依赖长程动作组合与失败恢复，单一固定策略难以兼顾。第二，它的维护成本没有保证。如果演化算法存在系统性偏差，系统就会反复生成低质量技能，再投入额外成本进行修复、回滚或过滤。

图1：静态技能演化算法的两类问题

HiSME 的核心观点是：技能演化可以被看作对 Agent 测试时边际性能收益的优化。在不改变模型参数的前提下，技能库为固定执行器提供额外经验；而如果技能演化算法本身不是最优的，它与理想演化算法之间仍存在更高阶的边际收益，可以继续从测试时经验中挖掘。

图2：从技能演化到元技能演化：边际效用的进一步挖掘

HiSME：对「经验沉淀机制」再做一层经验沉淀

HiSME 把整个系统分成三个层次：轨迹、技能和元技能。

第一层是 Agent 执行任务产生的轨迹。系统根据成功率、正确性、计算开销等效用指标评价轨迹，并从中抽取可复用技能。无论一次轨迹成功还是失败，只要系统能够评价它，就可能沉淀出「以后应该怎么做」或「以后不应该怎么做」的经验。

第二层是技能演化。HiSME 设计了一套完整的演化框架，使用 extractor 从单条轨迹中发现候选技能，使用 refactorer 从多条相似轨迹或已有技能中抽象共享结构。为避免技能库被噪声污染，它还通过 bundle tester、credit assigner、refiner 和 filter 检查技能契约、分配后验信用，并据此修订、禁用或保留技能。

同样，只要系统能够评价 skill，就可能沉淀出「以后该怎么提炼或修改 skill」的经验。HiSME 对 skill 的评价主要关注两个维度。第一个是有效性：某个 skill 被提供给 Agent 后，后续轨迹的效用是否真的提高。第二个是复用性：这个 skill 是否会在后续任务中被频繁检索或调用。有效但不可复用的经验，同样需要不断完善；经常被检索但带来负反馈的技能，则需要收窄触发条件、重写接口，甚至直接丢弃。

第三层就是元技能演化。HiSME 不只记录「某个 skill 好不好」，还会记录它由哪个算法角色产生或修改：是 extractor 从单条轨迹中抽取的，还是 refactorer 从多条轨迹中归纳的，或是 refiner 在维护阶段修缮的。当 skill 后续积累了有效性和复用性反馈，系统就能反过来评价对应的演化策略，通过专门的 meta refiner 部件进行总结，沉淀成 meta skill。

这类 meta skill 更像面向算法角色的方法论，即 rules-of-thumb prompts。例如，extractor 可能学到：不要仅凭表层情绪词抽取 workflow，除非它对应可验证状态、API 前置条件或跨轮依赖；refiner 可能学到：技能误触发时，应优先收窄 trigger condition。这些元技能会被写回 skill extractor、refactorer 和 refiner 的 prompt 中，让后续技能演化算法根据测试时反馈调整策略。

这也是 HiSME 的轻量之处：把元经验以简单的文本规则维护起来，并作为上下文指导后续演化。

图3：HiSME 的层次化技能元演化流程

实验：性能提升，也学到了可迁移的演化策略

论文在 BFCL-v3 multi-turn base 和 MineDojo 上进行了验证。前者关注多轮工具调用，后者关注 Minecraft 开放世界中的长程 embodied interaction。除无技能基线和静态演化基线 SkillX 外，实验还加入了 AWM、Memento 两个 test-time learning 基线，以比较不同测试时学习范式之间的取舍。

从主要结果看，HiSME 在两个榜单上都表现出稳定优势。相比无技能基线、静态技能演化方法，以及 AWM、Memento 等 test-time learning 基线，HiSME 的收益来自更善于生成、修订和筛选技能的演化流程。尤其在 MineDojo 这类长程交互任务上，HiSME 还体现出明显的 token 开销优势：高质量 skill 减少了无效探索、失败恢复和重复重试，让 Agent 更快找到可执行路径。

消融实验显示，refactorer 是关键组件之一。可复用结构往往不是单条轨迹中孤立出现的灵感，而需要跨轨迹证据来支撑；extractor、refiner 和 credit filter 也共同构成了技能生成与维护的闭环。

论文还对算法的演化过程进行了具体的统计分析。研究者在训练中定期保存中间技能库，并在测试集上重新评估。可以看出，随着训练任务增加，HiSME 与 HiSME-static 都能逐步改善技能库，但 HiSME 在大多数中间阶段保持了更高的测试表现，说明元演化能够在技能生成、修订和过滤的过程中持续改善策略。

credit 分析进一步解释了这种优势：随着训练推进，HiSME 产生的 helpful skill 占比提升，harmful skill 占比得到控制；元演化能把后续反馈写回技能抽取和维护流程，减少重复产生错误技能模式的情况。

为了验证算法不仅能产出高质量技能，还能沉淀出良好的元技能库，论文进行了 meta-test：把一次 HiSME 运行中学到的元技能冻结下来，作为新一轮静态技能演化的初始化规则。结果显示，static from meta 显著优于 static from scratch，并接近完整 HiSME，说明元技能本身也具有较高质量和一定的迁移性。

从 Skill 到 Harness：下一步是自动驾驭工程

HiSME 的意义不只在于 benchmark 分数。它更像是在提出一种 Agent 系统优化范式：测试时学习不必只发生在模型参数中，也不必只停留在经验库中；围绕模型运行的外部 harness，包括提示词、工具路由、记忆、评测器、技能库维护策略，都可能成为可演化对象。

由此可以引出两个方向。其一是 Learning to Evolve：把文本化元技能与轻量参数学习结合，让系统同时学习经验内容和演化能力。其二是 Automatic Harness Engineering：针对不同模型和任务，自动调整外部驾驭系统，让 Agent 在部署后形成更适合自己的工作方式。

对于越来越复杂的 Agent 系统来说，真正困难的也许不只是「让模型做对一次任务」，而是让它在真实反馈中判断：哪些经验值得保留，哪些规则应该收窄，哪些失败模式说明演化算法本身需要改变？

HiSME 的回答是：让 Agent 活不止一次，也让它的学习方式本身有机会被学习。