AI终于学会攒经验：做过的事不用再重来

你有没有见过这样的AI：明明上周刚帮你完成过「搜资料-筛信息-整理分析」的全套调研，这周换个主题，它又要从零开始规划、重新调用工具、把同样的流程完整跑一遍——就像完全忘了自己做过这件事。

2026年的今天，大模型Agent用工具完成复杂任务早已不是新鲜事，但「重复劳动」的问题始终没解决：token越跑越多，成本居高不下，还时不时因为重新规划出岔子。直到一项由NIPS时间检验奖得主参与的研究SkillCraft出现，它想让AI学会一件简单的事：把成功跑通的工具链，变成以后能反复用的「技能」。

从「用完就忘」到「越用越熟」的四步循环

你可以把SkillCraft的逻辑，类比成一个职场新人的成长：接到任务先查公司有没有现成的SOP——也就是技能库；没有的话就自己一步步摸索着做；做完之后把成功的步骤整理成一份可复用的SOP；最后找前辈验证一下，放进公司的流程库。

但真实的机制比这更精确。SkillCraft的核心是四步闭环：首先检索技能库匹配可用技能，没有就调用原子工具完成任务，接着将成功的工具链抽象成带参数的可执行技能，最后通过验证器校验后存入技能库。

最关键的变化在于，技能不是简单的答案记忆，也不是静态的提示词片段，而是一个能被程序化调用的高层操作单元。它像一个打包好的工作流，下次遇到同类任务，AI直接调用这个打包文件，不用再重新拆解每一步。

不是越复杂越好，浅层技能库更稳

研究者最初想过让技能像俄罗斯套娃一样嵌套——让复杂技能调用已有的简单技能，形成层级更深的技能树。但实验结果给了这个想法一盆冷水：

层级越深，系统越不稳定。

一个底层技能的边界条件错误，会像多米诺骨牌一样向上级联，拖垮整个任务流程。比如一个「筛选信息」的技能漏了某个关键词，后续的「整理分析」「汇总报告」都会跟着出错。

数据给出了明确的方向：在SkillsBench基准测试中，精心构建的浅层技能库，能让Agent的任务成功率提升16.2个百分点；而未经验证的深层技能组合，反而会让成功率下降。现阶段更实用的路线，是优先搭建高质量、可验证的浅层技能库，而非追求复杂的层级嵌套。

跨模型复用：强AI的技能能给弱AI用

SkillCraft最让人意外的发现，是技能的跨模型迁移能力——由强模型创建的技能，在弱模型上依然能保持高成功率。

比如Claude创建的技能，在四个不同的执行模型上成功率都是100%，还能普遍带来超过80%的token节省。而质量较弱的技能，不仅成功率波动大，甚至在某些组合下会出现负收益。

这意味着技能可以成为不同模型之间共享的「数字资产」：不用重复训练，不用重新调试，强模型沉淀的经验，能直接赋能弱模型完成复杂任务。这种跨模型的技能复用，打破了不同AI系统之间的壁垒，为多Agent协同的生态打下了基础。

当然，这一切的前提是技能经过严格验证。研究显示，未经验证的自生成技能，反而会降低Agent的任务表现——就像把错误的经验教给新人，只会让它越走越偏。

我们总说AI要像人一样学习，但之前的AI更像一个每次考试都要临时抱佛脚的学生，考完就忘。SkillCraft让AI第一次有了「积累经验」的可能——它不再是完成任务就清空内存的工具，而是能像人类一样，把成功的经验变成自己的能力，越用越熟练。

经验的价值，从来都不在于完成一次任务，而在于让下一次任务更简单。这不仅是AI效率的提升，更是对人类学习逻辑的一次贴近：真正的智能，从来都不是从零开始的创造，而是站在已有经验上的迭代。