拆解再复用：大模型智能体的跨任务技能迁移

论文来源：arXiv:2608.20274v1

摘要

大语言模型智能体可以从已经完成的任务中归纳技能，存入技能记忆库，后续任务复用这些技能，实现随经验不断提升能力。但实践中，智能体归纳得到的技能跨任务迁移效果很不稳定，甚至会损害后续任务表现。智能体归纳的技能在什么条件下可以可靠地跨任务复用，是一个尚未被充分解答的问题。

本文开展一套全面、受控的对照研究，分析技能归纳方式如何影响跨任务迁移性能。重点对比两大设计维度：归纳层级（任务级 vs 子任务级） 、技能存储格式（文本格式 vs 代码格式） 。

实验发现：任务级归纳得到的技能，平均来看会拉低智能体性能，低于无记忆基线；而子任务级归纳的技能平均可以带来性能增益。同等归纳层级下，文本格式技能迁移效果优于代码格式技能。

为解释实验现象，本文解析技能的两项互补属性：**特异性（specificity）**衡量技能与真实任务的匹配紧密程度；抽象性（abstractness）衡量技能相关性可以均匀覆盖多少不同任务。单一维度无法预测任务成功率；将二者相乘得到技能效用分数（skill utility score） ，该分数可以稳定预测技能迁移带来的任务收益；子任务级、文本格式的技能普遍拥有更高的技能效用分数。

计算该分数仅需要技能文本与任务描述，不需要实际运行任何任务，可以在执行新任务之前，作为技能记忆库的轻量诊断指标。

关键词：大语言模型智能体；技能记忆；跨任务迁移；子任务分解；技能归纳；智能体评测

1 引言

LLM智能体被广泛应用于个人助手、办公自动化、科研仿真等场景。原生智能体每一个任务都从零开始求解，无法从过往经验中获得能力增长。越来越多研究让智能体从已完成轨迹中归纳技能，存入技能记忆，遇到新任务检索并复用。如果技能可以良好跨任务迁移，智能体就能够随经验积累变得越来越强。

但是现实场景下，从完整任务轨迹归纳出的技能迁移可靠性很差：

基于完整任务轨迹归纳的技能高度绑定源任务，泛化到新任务表现不佳；
不相关、错位匹配的技能会成为噪声上下文，干扰模型，还会把源任务中的错误传播到新任务。

因此，技能能不能带来收益，很大程度取决于技能是如何被归纳出来的 。核心研究问题：智能体归纳的技能，在什么条件下可以可靠实现跨任务迁移？

已有部分工作提出子任务层级的技能归纳：复杂任务拆解成多个子过程，从每一个子任务子轨迹分别生成技能，而不是对整条任务轨迹只生成一个技能。现有结果显示该方案效果更好，但实验局限在少量领域、少数模型，并且大多只使用文本格式技能，缺少系统对照。

本文在严格控制变量条件下，对比归纳层级（任务级 / 子任务级）、**技能存储格式（文本 / 代码）**两个核心维度。实验使用3个长时序智能体基准、11个闭源+开源模型。

主要实验发现：

归纳层级决定技能能否带来收益：子任务级技能平均高于无记忆基线；任务级技能大多会损害性能。
存储格式决定收益幅度：同一归纳层级下，文本格式技能迁移整体优于代码格式技能。
提出技能效用分数，由特异性与抽象性相乘得到；仅使用文本信息即可计算，无需运行任务；分数越高，技能迁移带来任务成功率提升越明显；子任务级、文本技能的效用分数整体更高。

本文给工程实践者三条启示：

将任务拆解为子任务，从子任务轨迹做技能归纳，可以改善跨任务迁移；
同等条件下，文本形式技能比代码形式迁移效果更好；
技能效用分数可以作为轻量化诊断工具，无需运行任务，即可评估技能记忆库质量。

图1：不同任务共享子任务的示例。任务X：把购物车全部举重凳下单；任务Y：把购物车里全部食品加工机移入愿望清单。任务级技能是对整条轨迹做总结，高度绑定源任务，难以复用到另一个任务；子任务级归纳为每个子过程生成独立技能，登录、查看购物车这类共享子任务的技能可以在两个任务之间迁移复用。
表1：现有技能归纳相关工作调研汇总，对比归纳层级、存储格式、评测领域、提示词组件（指令、示例、抽象规则）

工作	技能归纳层级	技能格式	领域	指令	演示示例	抽象规则
AutoManual	规则级	Text	家居、网页	✓	✓	✓
DynaSaur	Step步骤级	Code	助手、数学QA	✓	✓	✓
Reflexion	Task任务级	Text	QA、家居、代码	✓	✓	×
ExpeL	Task任务级	Text	QA、家居、网页	✓	×	✓
CLIN	Task任务级	Text	科学仿真、家居	✓	×	✓
AWM	Task任务级	Text	网页	✓	✓	✓
Memp	Task任务级	Text	旅行、家居	✓	✓	×
Voyager	Task任务级	Code	游戏	✓	✓	✓
TroVE	Task任务级	Code	数学、表格、视觉	✓	✓	×
ASI	Task任务级	Code	网页	✓	✓	✓
SSO	Subtask子任务级	Text	科学仿真、游戏	✓	×	✓
MUSE	Subtask子任务级	Text	生产力	✓	×	✓
Shen et al.2026	Subtask子任务级	Text	软件工程	n/r	n/r	n/r
本文工作	Task / Subtask	Text / Code	助手、办公、数据科学	✓	✓	✓

n/r：论文未公开提示词；✓代表包含该组件；×代表不包含。

2 相关工作

2.1 智能体中的技能记忆研究

大量工作将智能体的历史经验整理成显式技能记忆库。主要存在三个设计轴：

归纳层级：从完整任务轨迹、单步step、规则、子任务子轨迹做归纳；
技能存储格式：自然语言文本、可执行代码函数；
归纳提示：包含指令、演示样例、用于去除实例细节的抽象规则。

部分工作使用强化学习训练记忆操作与技能增强策略；另一类方案不做归纳，直接检索原始交互片段。本文在统一提示词模板下，只改变归纳层级、存储格式两个变量，隔离二者的影响。

2.2 跨任务技能迁移研究

大量任务级技能迁移工作在网页、GUI、具身仿真、软件智能体开展实验。但是子任务层级迁移的研究还比较有限：

现有子任务相关实验大多局限少数领域；
端到端指标掩盖了每一条技能本身的贡献；
部分论文展示增益，也有论文指出无关记忆会降低模型性能、错误会传播。

本文系统对比任务级/子任务级、文本/代码，跨多个基准、多个模型，同时提出单技能层面的效用打分指标。

2.3 长时序智能体的子任务分解

很多长时序智能体会把复杂问题拆解为原子子问题，以此缩短上下文、分块求解长任务。但多数工作分解只服务于当前任务，不把子过程产出可以跨任务复用的技能；少数子任务技能迁移论文领域覆盖狭窄。本文对比两套归纳层级，横跨两种技能格式、三个基准、十一个模型。

3 跨任务技能迁移形式化

图2：两套智能体架构示意图。

1）任务级智能体：完整任务生成一条交互轨迹，从整条轨迹归纳得到一条技能 存入记忆；

2）子任务级智能体：任务被拆解成若干子任务，每个子任务生成子轨迹，从每一条子轨迹分别归纳一条技能存入记忆；

后续新任务执行前，检索记忆中相关技能注入上下文。

实验对比条件：无记忆、任务级+文本、任务级+代码、子任务级+文本、子任务级+代码。

3.1 两类智能体实现

智能体在部分可观测环境求解任务。任务给出自然语言目标和初始环境状态；每一步大模型策略π\piπ生成动作ata_tat，环境返回观测oto_tot；智能体标记完成或者到达最大步数后，评估器给出奖励r∈( $0,1$ )r\in( $0,1$ )r∈( $0,1$ )。

任务级智能体 ：标准ReAct循环。把全部动作、观测追加进上下文，得到完整任务轨迹τ\tauτ，任务结束后从整条轨迹归纳生成单一技能。

子任务级智能体：使用三类角色循环执行：

规划器Planner：读取目标与运行时摘要，提出下一个子任务，或者宣布任务完成；
执行器Executor ：对当前子任务运行ReAct循环，产出子轨迹τk\tau_kτk；
摘要器Summarizer：把子轨迹压缩成运行摘要，交给下一轮循环。

循环直到规划器判定任务结束，得到完整任务轨迹τ=(τ1,...,τK)\tau=(\tau_1,\dots,\tau_K)τ=(τ1,...,τK)。

任务级智能体等价于子任务智能体的特例：整个任务作为唯一一个子任务，只运行执行器。

3.2 技能记忆模块

技能记忆库MMM保存智能体历史经验产出的技能，供后续任务检索复用。包含归纳算子、检索算子。

技能格式

每个技能包含简短自然语言描述（用于检索嵌入）；主体内容分两种格式：

文本技能：工作流笔记，记录操作流程与环境注意事项；
代码技能：Python函数，实例相关数值设置为参数，环境注意事项写进注释。

技能归纳

任务级归纳：从完整任务轨迹τ\tauτ生成1条技能；
子任务级归纳：每一条子轨迹τk\tau_kτk生成1条技能。>

两套层级使用完全相同的归纳提示词，保证变量隔离；完整提示词见附录A。技能示例见附录C。

技能检索

使用all‑MiniLM‑L6‑v2做嵌入；用任务/子任务查询文本做相似度匹配，取top‑k相关技能注入上下文。文本、代码技能使用完全一致的检索逻辑，只匹配技能描述字段。

任务级智能体：使用任务指令作为查询，检索一次；
子任务级智能体：每一个子任务，使用子任务描述做一次检索。

代码技能除注入描述与函数文本，还会加载进执行命名空间，可以直接调用。记忆模块还会清理加载失败的代码技能，对高相似度的重复描述做合并/丢弃；附录B完整描述记忆处理逻辑。附录E.6验证：不同条件性能差异来源于技能本身质量，而不是检索效果差异。

3.3 跨任务技能迁移定义

智能体依次求解任务序列T1,T2,...,TnT_1,T_2,...,T_nT1,T2,...,Tn，共享同一份技能记忆库。完成一个/子任务之后写入技能；执行新任务之前检索技能。从早期任务归纳的技能被后续任务检索使用，称为跨任务技能迁移。

本实验控制变量：

归纳层级：任务级 / 子任务级；
技能格式：无记忆 / 文本 / 代码。

两套智能体仅在归纳层级、子任务规划‑摘要模块存在区别；提示词、记忆检索全部保持一致。评估时，每个开启记忆的智能体，和它自身关闭记忆的版本做对照，消除智能体架构本身带来的影响，只看技能带来的增益。

4 实验设置

4.1 评测基准

选用3个长时序智能体基准，覆盖不同应用领域：

AppWorld：多应用工具调用仿真，9个模拟应用，API接口；测试集417条任务；
OfficeBench：办公文档工作流，包含邮件、Word、Excel、PDF等；300条任务；
KramaBench：数据科学流水线，来自6个真实科学领域文件；92条确定性评分任务。

全部任务使用基准自带官方评估器，输出分数范围( $0,1$ )( $0,1$ )( $0,1$ )。

4.2 测试模型

共11个模型，包含MoE稠密开源模型与一个商用模型：

MoE：Qwen3‑235B‑A22B、GPT‑OSS‑120B、Nemotron‑Super‑120B
稠密：Qwen3‑4B / 8B /14B /32B；Gemma‑3‑4B /12B /27B
商用：Gemini‑3.1‑Pro

部署：MoE模型使用Amazon Bedrock；Gemini‑3.1‑Pro使用谷歌云API；稠密模型使用vLLM运行在单张96GB GH200显卡。保持服务商默认采样参数；单轮生成上限8192token；全部模型使用同一套提示词。

消融：对3个MoE模型、Qwen3‑32B，使用两套精简归纳提示（L1最简指令、L2指令+示例）对比完整提示L3。附录A完整提示。

4.3 实验对比条件

两个变量做全组合，共6组实验条件：

Task(无记忆)、Task+Text、Task+Code、Subtask(无记忆)、Subtask+Text、Subtask+Code

+Text：存储自然语言工作流笔记；
+Code：存储Python函数；

约束：任务级智能体单任务最多50步ReAct；子任务级智能体最多15个子任务，整体ReAct执行预算上限同样50步。

4.4 评估指标

任务成功率 ：官方评估器给出( $0,1$ )( $0,1$ )( $0,1$ )平均分；
效率指标：单任务墙钟延迟latency；dependency指标，用来衡量上下文带来的计算开销（附录D）。

5 技能归纳层级与格式如何影响迁移效果

核心结论：子任务层级归纳的技能平均带来性能提升；任务级归纳大多会损害性能。同一层级，文本技能迁移效果优于代码技能。
表2：三大基准下11个模型的任务成功率(%)，括号95%任务bootstrap置信区间。

任务级：None（无记忆） / +Text / +Code；子任务级：None / +Text / +Code。

绝大多数模型与基准下最优结果出现在子任务‑技能列；开启记忆后，任务级大多性能下降，子任务级大多上升。

5.1 子任务层级的技能可以带来收益

性能（任务成功率）

对比同一个智能体开启/关闭记忆：

任务级：开启文本技能，平均下降1.2个百分点；开启代码技能，平均下降4.1个百分点；全部三个基准都观察到下降。
子任务级：开启文本技能，平均提升1.9个百分点；开启代码技能平均提升0.5个百分点。文本技能在全部三个基准都正向增益；代码在两个基准提升，KramaBench小幅下降‑1.4。

补充验证：把子任务归纳产出的技能拿给任务级智能体使用，性能同样优于任务级自己归纳的技能（附录E.2）；效果来源于技能本身，而不是智能体架构。源任务本身是否成功完成，对归纳出来技能质量影响不大（附录E.3）。不同提示词配置下该结论依然成立。

效率（延迟与dependency开销）

在相同计算开销预算下：

小预算场景，任务级无记忆方案占优，可以低成本解决简单任务；
中等、大预算区间，开启记忆的子任务级智能体在同等开销下可以解决更多任务；>

该优势不是靠消耗更多算力换来。同等开销对比，子任务+记忆的曲线始终高于自身无记忆基线；任务级+记忆低于自身无记忆基线。

任务难度分层验证

将任务划分为简单、中等、困难（使用基准自带难度标签）。

在几乎全部难度分层：

任务级开启记忆普遍降低成功率；
子任务级开启记忆普遍提升成功率；
同一层级，文本≥代码。

5.2 文本格式技能迁移整体优于代码格式

同一归纳层级内部对比：

子任务层级：文本技能相比代码技能，平均高出2.9个百分点；
任务层级：文本技能相比代码技能，平均损失少1.4个百分点。

无论看成功率、延迟/dependency开销、任务难度分层，文本技能整体表现都等于或者优于代码技能。

6 什么样的技能才具备良好迁移能力

把视角从智能体转向技能本身 。本文提出：一个可迁移技能需要同时具备特异性 和抽象性 ；二者单一维度无法预测任务表现，二者乘积定义技能效用分数Skill Utility 。该分数仅依赖技能描述、任务文本，不需要运行任务，可以作为预诊断指标。

图5可视化结果：

(a) 检索得到技能平均效用分数越高，任务成功率越高；

(b) 只看单一维度（特异性/抽象性），成功率先上升后下降，单一维度无法预测；

(c‑e)：子任务级、文本格式的技能中位数效用分数整体更高。

6.1 技能效用分数定义

令cjc_jcj为技能sss与第jjj个任务指令的嵌入余弦相似度。

特异性 specificity(s)

衡量技能和最匹配任务的贴近程度。计算概率：该技能与最接近任务的相似度，大于随机抽取两个任务互相之间的相似度。特异性惩罚完全不匹配任何任务的技能，奖励至少匹配部分真实任务的技能。

specificity(s)=Pr⁡ $maxjcj\geqcos(ti,tk)$ \mathrm{specificity}(s)=\Pr\big $\\max_{j}c_{j}\\geq\\cos(t_{i},t_{k})\\big$ specificity(s)=Pr $jmaxcj\geqcos(ti,tk)$

抽象性 abstractness(s)

衡量技能相关性可以均匀分布在大量任务，而不是只集中少数任务。对相似度分布做softmax，计算熵，再归一化。τ=0.1\tau=0.1τ=0.1温度系数。

abstractness(s)=exp⁡(H(softmax(c/τ)))N \mathrm{abstractness}(s)=\frac{\exp\big(H(\mathrm{softmax}(c/\tau))\big)}{N} abstractness(s)=Nexp(H(softmax(c/τ)))

技能效用分数（Skill Utility）

技能需要同时兼顾：和真实任务足够相关（特异性），同时可以适配足够多不同任务（抽象性）。单一维度高没有意义。

utility(s)=specificity(s)⋅abstractness(s) \boldsymbol{\mathrm{utility}(s)=\mathrm{specificity}(s)\cdot \mathrm{abstractness}(s)} utility(s)=specificity(s)⋅abstractness(s)

6.2 技能效用分数可以预测任务收益

将任务按照检索到技能的平均效用分桶；随着效用分数升高，任务成功率单调上升；
单一维度（只看特异性 / 只看抽象性）：成功率呈现先升后降；只靠其中任意一个指标不能预测成功；必须二者乘积；
子任务层级、文本格式归纳得到技能，中位数效用分数普遍高于任务级、代码格式技能，和实验性能结果完全对应。

附录E.4因果验证：把同一个技能库按照效用中位数切分，高效用子集运行得到更高任务成功率。

6.3 技能效用分数与真实复用行为对齐

定义迁移密度Transfer Density ：把任务流切分为50个时间bin；统计"在更早bin归纳出的技能，被后面bin检索复用"的配对占比。

D=1(n2)∑i<jrij D=\frac{1}{\binom{n}{2}}\sum_{i<j}r_{ij} D=(2n)1i<j∑rij

rij=1r_{ij}=1rij=1代表i bin产出的技能被j bin任务复用，否则0。

图6：三大基准迁移密度热力图。蓝色三角=子任务级，绿色三角=任务级。子任务级的迁移密度全部高于任务级。

效用分数更高的技能集合，真实跨任务复用频次也更高，指标和真实行为匹配。

7 结论

本文在3套基准、11个模型下系统研究大模型智能体跨任务技能迁移。

归纳层级至关重要：子任务层级归纳技能平均带来性能增益；任务级从完整轨迹归纳，往往会降低智能体表现。
技能格式有明显影响：同等归纳层级，文本格式技能整体迁移优于代码格式。
提出技能效用分数，由特异性 × 抽象性构成；仅依靠文本信息计算，无需运行任务；分数越高对应任务成功率越高；子任务级、文本技能效用整体更高，可以作为技能记忆库的轻量化诊断指标。

局限性

实验局限AppWorld、OfficeBench、KramaBench这三套基准；计算机GUI操作、代码智能体、网页浏览等其他场景行为可能不一样；
本研究的记忆模块使用固定的归纳、检索、去重逻辑；部分前沿系统允许智能体在运行过程修改迭代技能库，这类动态记忆需要进一步单独研究；
评测只看最终环境状态得分，没有子步骤级别的真值；细粒度中间行为分析需要依赖模型裁判。

伦理说明

本研究探究智能体如何复用自己过往经验生成的技能。该机制同样存在被注入恶意技能、引导智能体执行有害行为的风险。本实验全部技能均由智能体在沙盒基准内部生成，没有引入外部恶意样本。如何检测、拒绝恶意技能，留给未来研究。

附录A 提示词模板

A.1 子任务级智能体提示

A.2 任务级智能体提示

A.3 文本技能归纳提示

A.4 代码技能归纳提示

包含AppWorld / OfficeBench / KramaBench三套环境的系统提示、用户提示、角色块；任务级是子任务智能体去掉规划器、摘要器，把完整任务当作唯一子目标。

归纳提示在两个归纳层级之间完全一致，只有读取的轨迹跨度不一样。

附录B 技能记忆完整处理逻辑

嵌入模型all‑MiniLM‑L6‑v2；检索取top‑5，相似度阈值0.3；
代码技能加载失败直接删除；级联删除依赖被删函数的其他代码技能；
文本技能：描述相似度>0.85判定重复，做内容合并；
代码技能：函数名重复覆盖；描述相似度>0.85丢弃重复项。

附录C 归纳得到的技能样例

AppWorld购物车任务示例，对比任务级生成一条大而全的技能，对比子任务级拆分为登录、筛选购物车、下单三条独立可复用技能。

附录D 评测指标

D.1 性能打分

AppWorld：状态单元测试，全部通过得1，否则0；
OfficeBench：沙盒应用状态检查器，全部通过得1；
KramaBench：官方确定性评分器，连续分数，排除需要LLM裁判的样本。

D.2 开销指标

latency：单任务墙钟时间；
dependency：衡量上下文注意力计算开销，公式：
dependency=∑c(2pc+oc),oc2 \mathrm{dependency}=\sum_{c}\frac{(2p_c+o_c),o_c}{2} dependency=c∑2(2pc+oc),oc
pcp_cpc输入token长度，oco_coc输出token长度；单位109 token210^9\ \mathrm{token}^2109 token2。

附录E 补充分析

E.1 全部11模型完整数值结果表

E.2 将子任务技能给到任务级智能体的对照实验

E.3 源任务成功/失败对归纳技能质量的影响

E.4 技能效用分数的因果对照（按中位数切分库）

E.5 复用频次与技能格式统计

E.6 检索质量有效性验证，排除检索差异带来的混淆