当前，自进化Agent的持续学习，基本都靠成功轨迹、现成技能或者明确反馈。

但在真实部署场景下，这些前提条件往往很难同时满足。结果就是Agent不断卡在原地，既没法积累经验，也没办法迭代自己的表现。

针对这个瓶颈，里海大学孙立超团队与合作者提出了一个新的框架——OpenSkill。

它和依赖人工标注、大模型生成或者监督信号的自进化方法完全不同。核心思路是：即使不依赖目标任务的监督信号，Agent也能自己拿到可执行、可迁移的技能。

结果显示，OpenSkill在多个基准测试上都达到了SOTA的自动化表现。

而且，学到的技能还能直接迁移到能力更弱的模型上，效果相当不错。

图｜自进化Agent技能的范式。

OpenSkill 是怎么设计出来的？

一句话概括，OpenSkill是一个面向开放世界的Agent技能框架。

它把任务指令、执行环境、基础模型、工具访问权限、开放世界资源这些因素作为输入，并将流程拆成三步：开放世界知识获取、无泄漏技能进化、零样本目标评估。

图｜OpenSkill 框架概览。

第一步：开放世界知识获取

团队先到开放世界里找两类信息：

• 任务知识：像背景概念、API文档、最佳实践、代码示例这一类，用来辅助技能规划。
• 验证知识：包括参考值、统计不变量、交叉验证流程，以及已知的输入输出样例，这些专门用来支撑后面的虚拟测试。

第二步：无泄漏技能进化

拿到了任务知识和验证知识以后，OpenSkill会先生成候选技能。

随后，它会通过自动构造的虚拟任务，反复测试、筛选、改进这些技能。

整个过程里，目标任务的标准答案完全没有泄露出来，真实测试集也不会提前掺合到技能构建阶段。

第三步：零样本目标评估

技能进化完成后，最后会以显式文件的形式部署到目标Agent上。

只有那个藏起来的真实测试集，才会在这一步拿来做最终评估，完全不参与前面的技能构建与迭代。

一句话说就是：训练归训练，测试归测试，互不干扰。

实验结果怎么样？

为了验证OpenSkill到底行不行，团队从基准测试表现、技能迁移和消融实验三个方面做了评估。

1. 基准测试：OpenSkill总体表现领先

OpenSkill在三个基准测试、两个目标Agent上，都拿到了最佳自动化表现。

在SkillsBench上，它把Opus 4.6和GPT 5.2的总体通过率直接抬到了43.6%和42.1%。

相比最强基线，分别高出了8.9和8.8个百分点，离人类参考上限只差1到3个百分点。

更有意思的是，在Opus 4.6上，11个领域里有8个都达到了最佳或并列最佳的效果。

图｜SkillsBench在11个领域的主要结果：展示了两个目标Agent在各领域上的平均奖励。

类似的优势也出现在另外两个基准上。

• 在SocialMaze里，OpenSkill让Opus 4.6和GPT 5.2的通过率分别达到了82.7%和70.7%。
• 在ScienceWorld里，这两个数字是90.0%和85.3%。

团队指出，在这四组设置里，OpenSkill就是所有自动化方法里表现最好的，没有之一。

图｜两个目标Agent在SocialMaze和ScienceWorld上的平均奖励。

2. 技能迁移：不用额外适配，就能迁移到更弱模型

在技能迁移这部分，团队把Opus 4.6生成的技能，直接移植到了Haiku 4.5、Qwen 3Coder、DeepSeek V3、Mistral Large 3这4个更弱的模型上，完全没做额外适配。

结果很清楚：这些技能在4个目标模型上都带来了非常明显的增益。

跟没有技能的基线相比，提升了5.5到14.8个百分点。

这说明学出来的技能确实有泛化价值，不是针对特定模型“定制”的。

图｜由Opus 4.6生成的技能迁移到其他模型后，在SkillsBench上获得的平均奖励。

3. 消融实验：三轮迭代效果最好

在SocialMaze上，OpenSkill在3轮迭代时达到了最高的82.7%。

但如果继续增加到5轮和10轮，效果反而往下走。

消融结果也指出，开放世界检索和虚拟验证器，每一块单拎出来都能提升表现，但合在一起效果才最好。

团队进一步发现，虚拟验证器跟真实评测结果之间的一致性很高。

• 能覆盖88.9%的真实测试意图。
• 还能额外补充格式、类型、边界条件之类的检查。

等于在真实评测之外，又加了一层非常实用的“保险”。

图｜SocialMaze上的消融实验。

局限与未来方向

当然，团队的坦诚也值得关注。

开放世界知识源本身就可能存在噪声、过时甚至相互矛盾的信息。虚拟任务也很难完全复现真实任务的复杂程度。

尤其在深层语义验证和反作弊元验证这些环节上，目前的覆盖还比较有限。

另一个不得不提的问题是：成本高、耗时长。

在SkillsBench的84个任务上，端到端API总成本大约1800美元，单任务要消耗大约1.14M tokens，差不多耗时131分钟。

但好在一套技能只需创建一次，后续迁移到其他模型时就不需要重新搞了。

展望未来，团队明确了三个大方向：

• 提升知识源的可信度
• 增强虚拟任务对真实任务的覆盖能力
• 想办法降低整体成本与时延

毕竟，成本也是落地时绕不开的大山。

更多技术细节，可以参考原论文。