引言
"不仅要让 Agent 拥有技能，更要弄清楚技能是如何被模型'吸收'的。"
这是"一天一个开源项目"系列的第120篇文章。今天我们要介绍的是微软推出的 SkillLens。
如果说前两天介绍的 SkillOpt 是一套提升 AI 技能的执行策略，那么 SkillLens 就是研究这些技能演化过程的"显微镜"。它提供了一个科学的分析框架，帮助研究者和开发者理解：一个由 AI 自己总结出来的技能，究竟是怎么影响另一个 AI 的执行效率的？
你将学到什么
- Agent 技能的全生命周期：经验 → 提取 → 消费
- 核心指标：提取效能（Extraction Efficacy）与目标进化能力（Target Evolvability）
- 如何在五个主流 Agent 基准测试中验证技能的有效性
项目背景
项目简介
SkillLens 是微软研究院的一个开源框架，专门用于系统性地研究"模型生成的 Agent 技能"。它提供了一套完整的流水线（Pipeline），涵盖了从轨迹加载、技能提取到推理验证的各个环节。
该项目在 GitHub 上随同论文《From Raw Experience to Skill Consumption》发布，是目前 Agent 技能研究领域最权威的工具之一。
核心价值
- 全生命周期覆盖：不仅关注技能长什么样（提取阶段），更关注技能怎么来（经验阶段）以及怎么用（消费阶段）。
- 多方法对比 ：内置了两种技能提取方法------单次处理的
sequential（顺序提取）和多轨迹并行提取并分层合并的parallel（并行提取）。 - 权威测评集：支持 SWE-bench、ALFWorld、SpreadsheetBench 等五个主流的 Agent 性能基准测试。
主要功能
1. 统一的轨迹转换 (Schema Normalization)
将来自不同基准测试（如复杂的 SWE-bench 调试记录或简单的 ALFWorld 游戏日志）的原始运行轨迹转换为统一的 JSON Schema，让后续的批量技能提取成为可能。
2. 分层合并提取 (Hierarchical Merge Extraction)
SkillLens 的核心技术之一是其并行提取方法。它会分析每一条成功或失败的轨迹，提取出独立的 Mode，最后通过分层合并算法生成高概括性的 skill_set.json。
3. 一体化推理 CLI
通过简单的 skilllens infer 命令，开发者可以一键对比"有技能注入"和"无技能注入"情况下 Agent 的成功率差异。
项目剖析
四阶段研究流水线 (4-Stage Pipeline)
SkillLens 将每一次实验都标准化为四个阶段：
- Raw Experience Generation：让 Agent 在基准测试中跑出原始轨迹。
- Schema Normalization：将原始输出标准化。
- Skill Extraction：将经验池（Experience Pool）提炼为技能集。
- Skill Consumption：将提取出的技能注入目标模型，重新测试性能增益。
这种严谨的科研流程对于那些希望在其产品中集成"自我进化"功能的开发者来说，具有极高的参考价值。
项目地址与资源
官方资源
- 🌟 GitHub : microsoft/SkillLens
- 📄 学术论文 : arXiv:2605.23899
- 🌍 项目主页 : microsoft.github.io/SkillLens
总结
如果说 SkillOpt 告诉我们"怎么做"，那么 SkillLens 则是在解释"为什么"。作为微软 Agent 研究生态的重要组成部分，SkillLens 为我们揭示了 AI 从自身经验中学习并转化成可执行知识的深层机理。
对于追求卓越性能的 Agent 开发者而言，SkillLens 提供的实证评估方法是不可或缺的导航灯塔。
欢迎来我的个人主页找到更多有用的知识和有趣的产品