OpenSkill框架：让自进化Agent摆脱监督信号，多基准测试表现SOTA！

【导语：目前自进化Agent持续学习受前提条件限制，难以积累经验并迭代。里海大学孙立超团队提出OpenSkill框架，让Agent不依赖目标任务监督信号获得可执行、可迁移的skills，在多个基准上取得SOTA自动化表现。】

OpenSkill：突破自进化Agent学习困境

当前，自进化Agent的持续学习大多依赖成功轨迹、现成skills或明确反馈，但在真实部署中，这些前提难以同时满足，导致Agent无法继续积累经验并迭代。孙立超团队提出的OpenSkill框架，不同于依赖人工策划、LLM生成或监督信号的自进化方法，让Agent在无监督信号情况下也能获得可执行、可迁移的skills。

OpenSkill设计流程：三步实现技能进化

OpenSkill以任务指令、执行环境、基础模型、工具访问权限和开放世界资源为输入，整体流程分三步。开放世界知识获取阶段，从开放世界检索任务知识和验证知识，分别用于形成skills规划和支撑虚拟测试。

无泄漏skills进化阶段，先生成候选skills，再通过自动构造的虚拟任务反复测试、筛选和改进，且不使用目标任务的标准答案，真实测试集不提前进入构建阶段。零样本目标评估阶段，将进化完成的skills以显式文件形式部署到目标Agent上，隐藏的真实测试集仅用于最终评估。

实验结果亮眼：多基准领先且技能可迁移

实验从benchmark表现、skills迁移和消融实验方面评估。在benchmark评测中，OpenSkill在三个benchmark、两个目标Agent上均取得最佳自动化表现。如在SkillsBench上，将Opus 4.6和GPT 5.2的总体通过率分别提升至43.6%和42.1%，较最强基线高出8.9和8.8个百分点。

Skills迁移方面，由Opus 4.6生成的skills直接迁移到四个更弱模型上，无需额外适配，带来明显增益，较无skills基线提升5.5至14.8个百分点。消融实验显示，OpenSkill在3轮迭代时达到最高82.7%，开放世界检索和虚拟验证器结合使用效果最好。

不足与未来方向：提升可信度与降低成本

研究团队指出，OpenSkill存在不足，开放世界知识源可能有噪声、过时或冲突信息，虚拟任务难以完全还原真实任务复杂度，深层语义验证和反作弊元验证覆盖有限，且方法成本昂贵、耗时较长。未来需提升知识源可信度，增强虚拟任务覆盖能力，降低整体成本与时延。

编辑观点：OpenSkill框架为自进化Agent学习带来新突破，虽有不足，但其实验结果亮眼，未来若能解决现存问题，有望在相关领域广泛应用。