Agent自进化新范式：孙立超团队提出OpenSkill，刷新多项基准SOTA

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。可在真实部署场景下，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——

。它和那种依赖人工标注、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：。

结果显示，

，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，整个流程拆成三步：

、、以及。

图｜OpenSkill 框架概览。

团队先到开放世界里找两类信息。一类叫“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；另一类是“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。

拿到了任务知识和验证知识以后，OpenSkill会先生成候选技能，然后通过自动构造的虚拟任务，反复地测试、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。

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

、和三个方面做了评估，结果如下：

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%，比最强基线高出了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

里，OpenSkill让Opus 4.6和GPT 5.2的通过率分别达到了82.7%和70.7%；在里，这两个数字是90.0%和85.3%。团队指出，在这四组设置里，，没有之一。

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

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：

，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。

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，

，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，而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：

。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、以及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。