给智能体喂同样的历史轨迹，只换一种打包方式，任务成功率就差了6.06个百分点。研究人员把过去执行记录做成两种形态：一种保留更多执行细节的“工作流记忆”，另一种是提炼后的技能说明文件。结果后者明显胜出。

经验没变，包装变了

打开网易新闻 查看精彩图片

这项对比实验的关键在于控制变量。两组智能体拿到的是同一批过往执行轨迹，没有谁多获得一条数据。区别只在于，一组拿到的是接近原始记录的工作流记忆，另一组拿到的是经过蒸馏的技能文档。技能文档版本的表现比工作流记忆版本高出6.06个百分点。

这说明智能体缺的不是更多经验，而是把已有经验整理得更清晰。同样的内容，以更可执行的步骤呈现，就能直接改变行为效果。

技能主要锚定执行流程

轨迹分析进一步揭示了机制。在技能文档起作用的案例里，65.7%是通过“程序锚定”实现的，也就是明确先做什么、用哪个工具、检查什么、避开哪些错误。只有4.5%的案例是因为技能补充了原本缺失的知识。

换句话说，技能的价值集中在执行层面，而不是知识层面。智能体已经知道该知道的东西，它需要的是把动作顺序固定下来，减少临场发挥带来的偏差。

失败模式同样清晰

技能文档并非万能。当技能被用在错误场景，或者被过于死板地执行时，它反而会拖累表现。一个为特定流程优化的步骤清单，换到不匹配的环境里，可能把智能体引向错误路径。

这提醒开发者，技能需要配合场景判断使用。只给步骤清单，不给“何时适用”的边界，效果会打折扣。

自改进智能体的方向

整体结论指向一个更具体的判断：自改进智能体需要提升的是经验的蒸馏和应用方式，而不只是扩大记忆库。把过去经历堆得更多，不如把已有经历提炼得更准。

对正在构建智能体系统的团队来说，这意味着投入应该向“如何整理经验”倾斜。一份结构清晰的技能文档，可能比翻倍的轨迹数据更值钱。