一个Skill为什么越改越好？腾讯SkillHone让Agent记住每次优化决策

一个 Skill 这个星期能正常工作，不代表下星期也行。

搜索接口会被限流，API 会被改版，网页结构也可能突然变化。开发者发现了 bug，修好最近这个版本，再把文件交给下一轮 Agent。

最初为什么修改？试过的方案为什么失败？上一轮回退撤销了什么，又留下了什么？下一轮接手的 Agent 大多不知道。它拿到的只是结果，前几轮踩过的坑还得再来一遍。

腾讯微信在论文SkillHone中，将这个问题归结为优化历史丢失，进而提出了面向持续 Skill 进化的开发框架。

SkillHone 把每轮诊断、候选修改、评估证据和最终决定组织成持久决策历史。同时，持续优化的对象也从单一的 SKILL.md 文件扩展到了整个 Skill 文件夹及其修改过程。

视频链接：https://mp.weixin.qq.com/s/NkZcFC1Nv2i03JGJtNj3gQ

• 论文标题：SkillHone: A Harness for Continual Agent Skill Evolution Through Persistent Decision History
• 论文链接：https://arxiv.org/abs/2606.08671
• 代码链接：https://github.com/Tencent/SkillHone

一、不能只优化 Skills，

还要对 Skills 的优化过程本身建模

现有 Skill 方法大致分为两类。一类是 Skill-Creator，根据任务描述、示例或资料生成新的 Skill；另一类是 Hermes-SE（Hermes Agent Self-Evolution），通过不断修改已有 Skill 候选，并根据评估结果选择更优版本。

这类方法能够在单轮优化中得到更好的 Skill，但优化过程通常没有被保留。运行结束后，留下的往往只有最终版本文件。虽然文件差异可以展示「改了什么」，却无法回答「为什么这样改」。当环境发生变化时，Agent 也无法利用过去的优化经验，容易重复探索已经失败的方向。

SkillHone 不仅优化 Skill 本身，还对 Skill 的优化过程进行建模。每次优化步骤都会被记录为一条决策历史，包括问题诊断、候选修订、清洗后的评估证据以及最终结果。通过累积这些多轮决策记录，后续 Agent 可以理解某次修改针对的问题、采用的依据，以及最终保留或撤销的原因，从而将优化经验持续传递，而不仅仅是继承最终的 Skill。

视频链接：https://mp.weixin.qq.com/s/NkZcFC1Nv2i03JGJtNj3gQ

二、SkillHone 如何把优化过程留下来

SkillHone 设置了两个相互关联的仓库。Skill 仓库包括 SKILL.md、脚本、资料和模板；Skill-Eval 仓库包括练习探针、标准答案、验证器、运行轨迹和回归测试。

每轮进化开始时，评估侧先使用当前 Skill 运行验证集上的回归测试。优化侧根据脱敏报告和现存记录进行修改，评估侧再在基准版本上测试候选 Skill。系统决定接受、继续修改或拒绝修改后的 Skill，并将证据写回历史。

优化侧 Agent 可以修改 Skill，但是看不到未脱敏的答案。评估侧 Agent 可以运行验证、查看轨迹，但是不能写入 Skill 仓库。评估结果会被整理成失败类型、汇总分数和诊断线索，再返回给优化侧。

运行时调度器会根据需要生成诊断、开发、审核、执行和报告等子 Agent，每个角色都只获得完成自身任务所需的权限。它不要求使用固定的多智能体框架，只要求运行环境能够自动创建子智能体，因此可以直接接入 Claude Code、Codex 和 Hermes 等 Agent Runtime。

三、为什么要做 Repo 级别更新？

SkillHone 在优化过程中可以实现 Repo 级别的更新，而不仅仅只是优化SKILL.md

另一方面，SkillHone 还支持 Repo 级别的 Skills 更新。SkillOpt 和 Hermes-SE 都主要以 SKILL.md 为优化单元，本质上是在迭代 Skill 的自然语言描述，因此优化范围受限于单个文档。

相比之下，SkillHone 将优化对象扩展为完整的 Skill repo，将 Skill 视为由 SKILL.md、执行脚本、参考资料、模板等共同组成的完整 Repo。优化过程中，不仅可以修改指令描述，也可以直接更新脚本逻辑等辅助文件的内容。

四、五轮优化里，

SkillHone 如何处理回退？

系统只看最终分数时，一旦候选版本出现退化，整份候选往往会被丢弃。可是，候选版本中已经有效的改动也会随之消失，下一轮又得重新编写。

论文中写道，作者对深度研究 Skill 进行了五轮优化。系统加入 DuckDuckGo 回退和错误处理以后，探针准确率从 30% 提高到 60%。下一轮加入尽早作答和严格预算限制后，准确率又降低了 10 个百分点。

SkillHone 与 Hermes-SE 的五轮验证集上的优化轨迹（论文 Figure 4）

SkillHone 可以通过此前的历史记录分析出，问题出在预算策略上，因此只撤销有问题的部分，保留已经证明有效的搜索改进，第三轮准确率升至 65%。后来加入 SPARQL、名称规则和更严格的预算后，系统又进行了一次有针对性的撤销，准确率最终达到 70%。

同样从 30% 起步，Hermes-SE 根据标量分数接受或放弃完整候选，五轮后停在 40%。两条轨迹的差异很明显：SkillHone 可以查到是哪一次决定带来了性能退化，回退时还能保留已经有效的改动。

五、实验：性能、迁移与消融

作者在 GAIA 和 WebWalkerQA-EN 两个深度研究基准上测试了 SkillHone。评测在开放网络环境下进行，没有预先集成好的搜索工具。Agent 只能访问公共网页，再依靠 Skill 组织搜索、抽取、验证和失败后的恢复。

使用 Qwen3.6-35B-A3B 作为执行模型时，SkillHone 在 GAIA 上达到 64.6%，在 WebWalkerQA-EN 上达到 66.4%。相比使用商业检索服务的 deep-research Agent，两个结果分别高出 15.8 和 3.2 个百分点；相比 Hermes-SE，分别高出 14.2 和 13.4 个百分点。

表 1 SkillHone 在 GAIA 和 WebWalkerQA-EN 上的主结果

更重要的是，同一个 Skill 包在没有重新优化的情况下，直接迁移到 Claude Sonnet 4.6 后，GAIA 成绩继续升至 72.4%，仍高于 Hermes-SE、Existing-Skills 和 Skill-Creator。更换执行模型后，使用者不需要从头再做一遍优化。

图 2 不同方法在 Qwen 与 Claude Sonnet 4.6 上的 GAIA 结果

消融实验还提供了另一组证据。去掉决策历史以后，GAIA 和 WebWalkerQA-EN 的成绩分别下降 13.4 和 10.9 个百分点。去掉角色隔离以后，两项分数分别降低 6.4 和 5.3 个百分点。SkillHone 的两个组件都在发挥作用，其中决策历史至关重要。

表 2 决策历史与角色分离的消融实验

六、写在最后

总结一下整篇文章的脉络：

1. 过去的自进化方法回答的是，怎么把技能文档改得更好；
2. SkillHone 继续追问，这次为什么修改、凭什么接受、哪些想法已经不再采用；
3. 优化过程因此可以被检索、复用，再交给下一轮 Agent 继续优化；
4. Repo 级别更新让这套建模落到技能工程中，SKILL.md、脚本、参考资料和模板都可以被修改。

论文中的五轮轨迹给出了直接证据。SkillHone 遇到性能回退时，能够找到出现问题的修改并进行精准撤销，同时保留已经有效的改动。

下一轮 Agent 接手时，可以根据此前的诊断和证据继续决策，也可以直接修改 SKILL.md、脚本、参考资料和模板。SkillHone 通过持久化的决策历史，实现了整个技能仓库的持续进化。