【第688期】Skill-MAS：多智能体系统的元技能进化框架

Seventy3 是一档借助 NotebookLM 解读前沿论文的播客——不是念摘要，也不是泛泛而谈，而是让 AI 帮你把论文掰开揉碎，说人话。我们蹲在人工智能、大模型、机器人算法、crypto 这几个领域，每期挑一篇值得关注的工作，用对话的方式聊给你听。你可以在通勤路上听，做实验的时候听，也可以当背景音放着，让新知识自然地长进脑子里。

如果你正在做有意思的研究，想让更多人看到——不管你是博士生、独立研究者还是实验室的博士后——把论文发给我们，我们帮你用 AI 做一期深度解读，让你的工作被更多同路人发现。

联系小助手微信：seventy3_podcast（加群/投稿论文）

今天的这篇的主题是：

Skill-MAS: Evolving Meta-Skill for Automatic Multi-Agent Systems

Summary

基于大语言模型（LLM）的自动多智能体系统（MAS）生成已成为解决复杂任务的重要前沿方向。然而，现有的方法在“模型能力”与“经验保留”之间面临着两难困境：推理阶段 MAS 利用了冻结的顶尖 LLM，但因无法从过去经验中学习而导致重复相同的搜索；相反，训练阶段 MAS 通过梯度更新内化经验，却受限于较小模型较低的能力上限，且难以扩展至大型顶尖 LLM。为弥合这一差距，我们提出了 Skill-MAS，这是一种全新的“第三条路径”——它将高层级编排能力概念化为一种可进化的元技能（Meta-Skill），从而将经验保留与参数更新解耦。Skill-MAS 通过闭环优化机制来提炼该架构知识：(1) 多轨迹采样（Multi-Trajectory Rollout）：在当前元技能下，针对每个任务采样行为分布；(2) 选择性反思（Selective Reflection）：自适应选择高优先级任务，并运用分层对比分析将系统性经验提炼为通用的策略级原则。在 4 个复杂基准测试和 4 个不同 LLM 上的广泛实验表明，Skill-MAS 不仅取得了显著的性能提升，还保持了极佳的性价比。进一步的分析表明，进化出的元技能具有极高的鲁棒性，并在未见过的任务及不同的 LLM 之间展现出强大的可迁移性。

原文链接：https://arxiv.org/abs/2606.18837