一句话定位
用 RL 学习从编码轨迹中提取多粒度 procedural skills,并持续维护紧凑技能库。
研究问题与动机
固定提示和启发式更新不能确定哪些代码经验值得抽象和保留。该工作让技能管理策略面向冻结下游 agent 的表现学习。
方法与机制
抽取多粒度技能并用新经验更新技能库;组合 rubric 质量奖励和可验证执行反馈。下游 executor 冻结,学习对象是技能管理器。
证据与结果
摘要列出 EnvBench、SWE-Bench Verified、Terminal-Bench 2。应以等预算比较技能条目质量、库大小、任务成功与泛化,而非只比较总体通过率。
当前卡片依据 2026-09-25 的 arXiv 摘要与元数据;作者结论不等于独立复现。原始摘要和版本信息保存在一手来源快照。
局限与开放问题
奖励可能偏好特定 executor;需检查轨迹泄漏、技能冲突、跨仓库迁移和安全执行。
关联与拓展
核验与阅读
- [x] 原始标题、作者、日期及摘要回查 arXiv
- [ ] 全文方法、结果表格、统计和成本协议逐项核验
- [ ] 代码可复现性与独立复现
- 一手来源