摘要
SkillForge 将可调用、可验证的 skill bank 放进多步环境中的 Agentic RL 回路：GRPO 同时学习环境动作和 skill 调用时机，成功与失败 rollout 驱动 skill 的提取、修订、去重和持续更新。模型参数与 skill bank 形成有限的交替共进化，但 improver 本身没有展示代际自改进。（来源：原始论文记录（本地存档），pp.3-6）
核心内容
- skill 以 intent、principle、适用条件和状态组织，检索到的 skill 内容作为观察返回；二值环境 outcome reward 通过 VeRL/GRPO 更新策略。（来源：原始论文记录（本地存档），pp.3-5）
- extraction、refinement、contrastive induction、语义去重和 EMA success rate 共同维护 skill bank，低效 skill 由 reflexion 决定 keep 或 revise。（来源：原始论文记录（本地存档），pp.5-6）
- 在 Qwen2.5-7B 上，作者报告 ALFWorld 93.6%、WebShop success 83.0%、AppWorld SGC 14.3；消融显示移除显式 skill calling 或 bank 会明显降分。（来源：原始论文记录（本地存档），pp.5-6）
相关页面
- 概念：Agentic RL、Recursive Self-Improvement、Self-Improving Harness
- 实体：SkillForge
- 主题：LLM Agent Self-Improvement
来源
- 原始文件：原始资料（本地存档）
- alphaXiv：https://www.alphaxiv.org/abs/2608.24747
- arXiv：https://arxiv.org/abs/2608.24747
- 定位信息：pp.1, 3-6, 8
待核实问题
- 版本与公开性核实（2026-08-28）：仍为 arXiv v1；arXiv 页面、论文记录和作者信息中未找到官方代码、checkpoint 或训练数据链接，因此当前不能执行完整独立复现。
- 仍待实验拆分：teacher LLM、retrieval encoder、环境 verifier 和 H20 训练规模的独立贡献；论文消融不能完全替代跨实现复现。
- 分类边界：现有证据支持“策略参数与 skill bank 交替更新”，但没有证明 improver 本身发生代际改进，故仍只标为有限共进化。