AI通过失败经验自动提炼可复用技能，任务处理准确率提升12.1%，并能跨领域应用新能力。
Sentient与弗吉尼亚理工大学联合开发EvoSkill技能发现框架。该框架通过文本反馈机制协调三类智能体，在不调整模型参数的前提下，自主分析失败原因并构建结构化技能模块。
现有技能机制的局限
Claude Code、OpenHands等AI编程助手虽能通过代码中间层处理复杂任务，但缺乏高度专业化能力。当前普遍采用人工编写技能模块的方式强化系统，导致开发成本高、扩展性差。
学术界尝试的AlphaEvolve等进化算法仅优化提示词或零散代码，产出结果与特定任务强绑定，无法形成跨场景复用组件。EvoSkill选择在更高抽象维度突破：聚焦结构化技能模块的自动发现，通过隔离验证持续筛选有效技能。
失败驱动的进化机制
框架采用文本反馈机制，针对智能体处理失败的案例深度剖析：
· 执行者智能体在空白状态下尝试任务
· 提议者智能体比对预测与真实答案，定位失败根源并生成文字版技能提案
· 技能构建者智能体基于行业规范将提案转化为标准化模块，包含操作指南及辅助脚本
新模块经独立验证集考核后，仅当提升系统表现才会纳入精英技能池，通过多轮迭代实现持续进化。
验证效果与跨领域迁移
在OfficeQA文档推理测试中，基础准确率60.6%。引入EvoSkill后：
· 仅用10%数据训练提升至65.8%
· 通过技能合并策略达67.9%，提升7.3个百分点
系统自主生成"数据提取验证""定量分析方法论"等专业技能，有效规避表格解析错误和计算逻辑漏洞。
在SealQA开放环境测试中，准确率从26.6%跃升至38.7%。其中"搜索坚持协议"强制多源验证，显著提升抗干扰能力。
跨任务迁移实验中，SealQA生成的搜索协议直接应用于BrowseComp网页问答测试，准确率提升5.3个百分点。证明EvoSkill提炼的是普适性问题解决能力，而非单一任务经验。
该框架通过模块化技能持续进化，为AI能力建设开辟新路径。当智能体具备从失败中积累结构化经验的能力时，AI进化飞轮即正式启动。
参考资料：
https://arxiv.org/pdf/2603.02766
https://github.com/sentient-agi/EvoSkill