从上下文中自动提取Skill！清华等提出 Ctx2Skill，上下文学习新方案

从复杂文档中提炼规则、流程与约束，让大模型真正掌握可复用的技能，Ctx2Skill 提供了一种无需人工标注的自动化学习方案。

Ctx2Skill 想解决的是一个很现实的问题：当大模型面对一份很长、很复杂、甚至完全超出参数记忆的文档时，能不能自己从里面提炼出“可复用技能”，以后遇到同类问题直接按技能办事，而不是每次重新硬读一遍上下文。

这篇论文来自清华大学、DeepLang AI、UIUC、复旦大学、香港中文大学等机构。论文题目是《From Context to Skills: Can Language Models Learn from Context Skillfully?》，提出的框架叫

。

它的目标不是再做一个更花哨的 RAG，也不是让模型多背一点知识，而是把“上下文学习”这件事往前推一步。

传统做法呢？是把上下文一股脑塞进提示词里，让模型边读边答。而 Ctx2Skill 选择了一条不同的路：它先让模型把上下文里的规则、流程、约束、判断标准提炼成自然语言技能；等到后续答题时，模型再带着这份“技能集”去处理任务，而不是临时抱佛脚。

更有意思的是，这套方法不依赖人工标注，也不需要外部环境给出执行反馈。整个技能发现过程靠的是多智能体自博弈：一个模型负责出题，一个模型负责解题，一个模型负责判题。Reasoner 解不出来，就推动它去补技能；Reasoner 全答对了，就推动 Challenger 出更刁钻的题。

听起来有点像“自己给自己出卷子，自己批改，自己总结错题本”。但论文真正难的地方在于：这种自博弈很容易失控。出题方越出越偏，解题方越学越窄，最后技能集看起来很厚，泛化能力反而变差。为了解决这个问题，作者又加了一个

机制，从不同迭代阶段里挑出最平衡的技能集，而不是盲目相信最后一轮。

Ctx2Skill 的直观目标：从复杂上下文中提炼规则和流程，变成模型可复用的自然语言技能。

为什么“从上下文中学技能”越来越重要

大模型今天已经很会“读上下文”了。你给它一段文档、一段规则、一段代码说明，它常常能现场回答得有模有样。

但问题也就在这里：很多真实任务里的上下文，不是几段说明，而是好几万字的长文档、多表格、多步骤流程、领域规则和隐含约束混在一起的“大杂烩”。比如：

• 企业内部 SOP，里面有大量例外情况；
• 医疗、法律、金融场景里的规则手册；
• 科研论文或技术报告里的复杂方法；
• 一个软件系统的接口说明、配置要求和调试经验；
• 一个游戏、仿真系统或业务系统的运行规则。

这类任务要求模型做的不是“检索一句话”，而是理解一整套操作规范，然后举一反三，迁移到新问题上。

论文把这种能力叫做

：模型要直接从给定上下文中学到相关知识，而这些知识可能并不存在于它的参数记忆里。

作者指出，已有的路线有两个明显的瓶颈。

第一，人工标注技能太贵。要把一份复杂上下文提炼成技能，标注者必须真正读懂整份材料，还要判断哪些规则重要、哪些步骤可复用、哪些例外不能漏。这个过程的认知负担很高，规模化成本也很难接受。

第二，很多上下文学习任务缺少外部反馈。写代码可以跑测试，数学题可以对答案，游戏环境可以执行动作。但如果模型从一份长文档中抽出一条“技能”，我们很难自动判断它是否忠实、完整、可用。没有反馈，就很难自动优化技能。

Ctx2Skill 的切入点就是：既然没有人工标注，也没有外部反馈，那能不能让模型自己制造反馈？

Ctx2Skill 的核心：用自博弈逼出技能

Ctx2Skill 里最核心的设计，是一个面向技能优化的 self-play loop。它不是简单让模型“总结一下文档”，而是让不同角色围绕同一份上下文不断对抗。

主要角色有三个：

•

：根据上下文生成任务和评分标准；
• ：根据上下文和当前技能集尝试回答任务；
• ：按评分标准判断答案是否通过。

另外还有两类辅助角色：Proposer 和 Generator。Proposer 负责诊断问题，Generator 负责把诊断转成具体技能修改。

这套流程可以拆成六步。

它拿到原始上下文和自己的 Challenger 技能集，生成若干任务，以及每个任务的评分标准。注意，评分标准很关键，因为后续的反馈都来自于此。

Reasoner 拿到上下文、任务和自己的 Reasoner 技能集，生成答案。

Judge 逐条检查评分标准。论文采用的是“全或无”的任务求解定义：只要某个任务有一个评分标准没过，这个任务就不算解决。

没答好的任务进入失败集合，答好的任务进入成功集合。

Reasoner 侧的 Proposer 分析失败案例，判断当前技能集缺了什么知识、规则或流程；Generator 再把这个诊断转成新的自然语言技能。

如果 Reasoner 已经能解决某些任务，Challenger 侧也会总结成功案例，更新自己的出题策略，下次更精准地探测 Reasoner 的薄弱点。

Ctx2Skill 的完整流程：自博弈循环负责产生和改进技能，跨时间重放负责从历史技能候选里挑出更稳的版本。

这才是 Ctx2Skill 和普通自动总结最不一样的地方：它不是只训练答题者，而是连出题者也一起训练。

一套是

，用来帮助模型理解上下文、解决任务。

另一套是

，用来帮助出题方生成更有效的测试任务和评分标准。

这就形成了一个动态对抗系统。Reasoner 不断补自己的短板，Challenger 也不断升级自己的“考法”。如果只让 Reasoner 更新，任务很快会变得太容易；如果只让 Challenger 变难，Reasoner 又可能被压垮。论文的设计是让两边都进化。

可以把它理解成一个“自动化错题本系统”。区别在于，普通错题本只记录你错了什么，而 Ctx2Skill 还会让出题老师一起进化：当你掌握了旧知识点，老师会换一种角度继续考你。

技能不是向量，而是一份 Markdown

很多人一听“技能”，可能会想到模型参数、LoRA、工具调用脚本，或者某种隐藏向量。但 Ctx2Skill 里的技能非常朴素：就是自然语言 Markdown。

技能会被放进系统提示中，和上下文、任务一起输入模型。这样做有三个好处。

第一，可读。人可以直接检查模型到底总结了什么。

第二，可编辑。如果技能不对，理论上可以人工修。

第三，可迁移。自然语言技能不绑定某个模型内部结构，强模型生成的技能有机会给弱模型用。

这也是论文后面做“技能迁移”实验的原因：如果 GPT-5.1 生成的技能可以帮助 GPT-4.1，那说明技能里确实包含了可复用知识，而不只是某个模型自己的提示词偏好。

最大风险：自博弈会把系统带偏

自博弈听上去很优雅，但它有一个天然风险：对抗会越来越极端。

论文把这个问题叫

。它大概会这样发生：

• Challenger 为了难倒 Reasoner，生成越来越刁钻、越来越长、越来越偏的任务；
• Reasoner 为了应对这些任务，开始补越来越具体、越来越局部的技能；
• 技能集变厚了，但学到的是“应付当前出题风格”的技巧；
• 换到真实未见任务上，泛化反而下降。

这很像刷题刷偏了：你可能越来越擅长某个老师的怪题，却不一定真正掌握了知识。

所以 Ctx2Skill 没有直接采用最后一轮技能，而是设计了 Cross-Time Replay。

这个机制会在 self-play 过程中收集两类探针任务。

•

：每轮里最难的失败任务；
• ：每轮里最简单的成功任务。

等自博弈结束后，系统会拿历史上每一轮的 Reasoner 技能集，重新在 Hard 和 Easy 两类探针上测试。最后选择同时兼顾困难任务和简单任务的技能集。

它不是追求“Hard 分数最高”，也不是追求“Easy 分数最高”，而是看两者的乘积。这样一来，牺牲简单任务去硬啃困难任务的技能集会被惩罚；只会做简单题、不敢碰难题的技能集也会被惩罚。

这个设计很朴素，但可以说是整篇论文里最有工程味的一处：它承认自博弈会带来偏差，然后用历史回放去做选择，而不是相信“迭代越多越好”。

跨时间重放的迭代选择分布显示，早期迭代经常被选中，后期技能不一定更好。

实验基准：CL-bench 有多难？

论文主要在 CL-bench 上做评估。这个基准专门考察模型在复杂上下文里的学习能力。

CL-bench 的规模不小：500 个上下文、1899 个任务、31607 条验证标准。平均每个上下文包含 3.8 个任务，每个任务有 16.6 条标准。平均输入长度是 10.4K tokens，最大达到 65.0K tokens。

任务分成四类：

类别	上下文数	任务数	平均长度
领域知识	190	663	8.3K
规则系统	140	566	12.2K
程序执行	100	471	8.5K
经验模拟	70	199	16.7K

还有一个细节很重要：51.1% 的任务是多轮顺序任务，需要依赖前面任务的回答。这意味着模型不能只做局部匹配，而要维持跨步骤状态。

评估也很严格。一个任务通常有很多条 rubric，只要有一条没过，就不算解出。论文里也观察到，rubric 级别通过率远高于任务级别通过率，说明很多答案不是完全不会，而是经常漏掉某些细节。

这正是技能提炼可能发挥作用的地方：把容易漏的规则、步骤、约束提前整理出来。

主结果：提升不夸张，但很稳定

论文把 Ctx2Skill 和两类基线比较：

•

：直接让模型一次性根据上下文生成技能；
• ：把上下文分窗口提取技能，再重组；
• ：多智能体自博弈生成和选择技能。

在三个骨干模型上，Ctx2Skill 都带来了整体提升。

模型	基础	Ctx2Skill	提升
GPT-4.1	11.1%	16.5%	+5.4
GPT-5.1	21.1%	25.8%	+4.7
GPT-5.2	18.2%	21.4%	+3.2

如果只看相对提升，GPT-4.1 从 11.1% 到 16.5%，大约是 48.6% 的相对增幅。这个数字很醒目，但也要冷静看：CL-bench 本身很难，绝对求解率仍然不高。

所以这组结果不能解读成一次性能飞跃。它更像是在一个极难基准上证明：把文档先整理成技能，确实比直接硬读更稳。

同时也必须看到，今天的大模型在长上下文、强约束、多步骤任务里仍然很容易漏细节。Ctx2Skill 提高了天花板，但还远没把这类问题打穿。

不同任务类别里，程序任务执行的收益尤其明显。例如 GPT-4.1 在程序执行类任务上从 10.4% 提升到 17.6%，提升 7.2 个百分点；GPT-5.2 也从 19.1% 提升到 25.4%，提升 6.3 个百分点。

这很符合直觉：流程类、规则类任务最适合被整理成“如果遇到 A，就按 B 步骤做；注意 C 例外”的技能。

按子类别看，Ctx2Skill 在 CL-bench 的大多数子任务上都比基础模型更强，其中工作流编排等类别提升尤其明显。

生成的技能质量如何？

性能提升之外，论文还评估了生成技能本身的质量，维度包括简洁性、忠实性、清晰性、有效性、可复用性。

这里的结果很有意思。Ctx2Skill 不只是让下游任务分数变高，技能质量评分也超过 Prompting 和 AutoSkill4Doc。

骨干模型	Prompting	AutoSkill4Doc	Ctx2Skill
GPT-4.1	81.8	86.2	89.8
GPT-5.1	90.7	91.5	93.6
GPT-5.2	87.9	89.7	92.0

最明显的优势在清晰性和可复用性。换句话说，自博弈不是简单把文档压缩一遍，而是在不断被任务检验的过程中，把技能写得更像“可操作说明”。

这也是这篇论文值得关注的地方：它把“总结上下文”变成了“经任务压力检验的技能编辑”。两者差别很大。

消融实验：Challenger 比想象中重要

消融实验能看出哪些组件真正有用。以 GPT-4.1 为例，完整 Ctx2Skill 的总体分数是 16.5%。

去掉什么	分数	下降
完整方法	16.5%	-
无跨时间重放	14.7%	-1.8
无技能解耦	15.9%	-0.6
无 Challenger 演化	13.8%	-2.7
无 Easy 探针	15.7%	-0.8
无 Hard 探针	15.2%	-1.3

影响最大的是“去掉 Challenger 技能演化”，下降 2.7 个百分点。GPT-5.1 上这个下降达到 3.3 个百分点。

这说明出题方不是一个辅助模块，而是整个系统的压力来源。Challenger 如果不进化，Reasoner 很快就会在固定考法里局部收敛；只有 Challenger 持续升级，失败案例才会不断暴露新的缺口。

第二重要的是跨时间重放。去掉后，GPT-4.1 下降 1.8 个百分点，GPT-5.1 下降 2.8 个百分点。这个结果支持了前面的判断：自博弈会产生后期过拟合，最后一轮不一定是最好的。

还有一个细节：Hard 探针比 Easy 探针更重要，但两者都不能少。只有 Hard 会让系统追难题，只有 Easy 又容易保守；组合在一起才像一个健康的回放集。

自博弈动态：技能会变多，但不一定越多越好

论文还分析了 self-play 过程中任务、答案和技能集的变化。

以 GPT-4.1 为例，任务级解决率从 Iter-1 的 18.2% 上升到 Iter-5 的 23.3%，看起来 Reasoner 在变强。但失败率始终超过 76%，说明 Challenger 仍然能制造足够压力。

GPT-5.2 的现象更有戏剧性：任务解决率从 Iter-1 的 36.1% 下降到 Iter-4 的 23.0%，之后略微回升到 23.7%。这就是论文说的对抗性崩溃。强模型的 Challenger 可能更会“刁难”，导致任务复杂度上升过快。

任务长度也支持这个判断。GPT-5.2 的 Challenger 任务平均长度从 69.1 词涨到 139.1 词，增长 101%。相比之下，GPT-4.1 增长 28%，GPT-5.1 增长 30%。

技能集字数同样一路上涨。GPT-5.1 的技能集中位数从 Iter-1 的 1235 词涨到 Iter-5 的 6447 词。但跨时间重放最后选中的版本中位数是 3682 词，而不是最长版本。

这件事有一个很直接的启发：在智能体系统里，记忆和技能不是越多越好。过长的技能集会带来噪声、冗余和过拟合。真正有价值的是“恰好足够”的技能。

技能迁移：强模型写的技能更通用

论文还做了跨模型技能迁移实验。

结果显示，GPT-5.1 生成的技能迁移给 GPT-4.1 后，GPT-4.1 的性能是 16.1%，只比使用自己技能的 16.5% 低 0.4 个百分点。

反过来，GPT-4.1 的技能迁移给 GPT-5.1 后，GPT-5.1 的性能是 23.1%，低于使用自己技能的 25.8%，差距 2.7 个百分点。

这说明强模型生成的技能更容易被弱模型复用；弱模型生成的技能虽然有帮助，但可能不够完整、不够抽象，不能充分释放强模型能力。

这个结果很有实际意义。未来如果企业要为复杂文档构建技能库，可能不需要每次都用最贵的模型执行任务，但可以用更强的模型离线生成技能，再让更便宜的模型在线使用。

和普通 RAG 有什么区别？

Ctx2Skill 不应该被理解成 RAG 的替代品。它更像是 RAG 前后的一个“技能层”。

RAG 解决的是“把相关内容找出来”。Ctx2Skill 解决的是“把内容里的规则和流程变成可复用操作说明”。

举个例子，如果上下文是一份报销制度，RAG 可以帮你找出“交通费”“发片”“审批”的相关段落。但 Ctx2Skill 更像是整理出一份技能：

• 先判断费用类别；
• 再检查是否需要发片；
• 再看金额是否超过审批阈值；
• 如果跨部门，则走特殊流程；
• 如果是补充报销，还要检查前次记录。

这种技能不是某一句原文，而是多段规则的组合。对复杂任务来说，这比单纯检索更接近人类处理文档的方式。

这篇论文的局限

如果把 Ctx2Skill 放进真实产品，首先会担心成本。

它更适合离线把高价值文档做成技能库，而不是每次用户提问时现场跑一轮自博弈。每个上下文都要多轮 self-play，还要生成任务、解题、判题、更新技能，再做跨时间重放。论文设置中 N 为 5，M 为 5，也就是每个上下文至少要经历多次多智能体调用。

第二，它依赖 Judge 质量。如果 Judge 对评分标准理解错了，反馈就会带偏技能演化。论文中 Judge 使用 GPT-5.1，并与 CL-bench 协议保持一致，但现实场景里 Judge 本身也可能需要校验。

第三，技能是自然语言，优点是可读，缺点是仍然可能含糊。对于强形式化任务，可能需要把技能进一步转成可执行规则、测试用例或工作流。

第四，提升幅度稳定但不是压倒性。CL-bench 上绝对求解率仍然较低，说明长上下文复杂推理远没有被解决。

我更看重它的方向，而不是某个分数

这篇论文最值得关注的，不是 GPT-4.1 提升了多少百分点，而是它提出了一种让模型“主动把上下文加工成技能”的路径。

过去我们常见的长上下文使用方式，是把材料塞进去，然后问模型问题。Ctx2Skill 代表另一种思路：先让模型通过自我测试发现上下文里的可复用结构，再把这些结构沉淀成技能。

如果把它放到智能体系统里，这个思路很自然：

• 新接入一个复杂工具，先让智能体读文档并自测；
• 新进入一个业务场景，先让智能体生成场景技能；
• 遇到失败任务，再把失败转成技能更新；
• 定期回放历史任务，防止技能越来越偏。

这其实已经接近“组织知识库自动技能化”的雏形。

尤其喜欢 Cross-Time Replay 这个设计。很多智能体记忆系统都有一个通病：只会往里加，不会判断什么时候该停、该回退、该选择早期版本。Ctx2Skill 用 Hard/Easy 探针给出了一种简单可执行的选择标准。它提醒我们，长期学习系统最难的不是记住更多，而是避免被自己的学习过程带偏。

结语

Ctx2Skill 把上下文学习从“读完就答”推进到“读完、出题、自测、沉淀技能、再答”。

它的实验说明，在 CL-bench 这种长上下文、多规则、强约束任务上，技能化确实能提高模型表现；它的分析也说明，盲目自博弈会崩，需要跨时间回放这样的机制来做平衡选择。

如果未来的 AI Agent 真要长期服务一个团队、一个产品、一个业务系统，它不能每次都从零开始读上下文。它需要把经验沉淀成技能，也需要知道哪些技能仍然可靠，哪些技能只是对过去错误的过拟合。

从这个角度看，Ctx2Skill 的价值不只是“提高几个百分点”，而是给了我们一个更像学习系统的框架：自己出题，自己失败，自己总结，但也要学会回头看。

资源链接

论文页面
https://arxiv.org/abs/2604.27660