核心发现
方法论
本文提出了RWSA中间表示，将技能分解为工作流结构、执行语义和运行时附件。基于此，开发了W2S框架，通过分段痕迹、诱导局部技能草稿、对齐共享结构、调和分支、压缩冗余，保留证据和置信度注释。
关键结果
- W2S框架在70个技能上实验，行为重放一致性比基于总结和提示的基线提高10.5%。
- 通过对比实验，W2S在结构保真度和行为一致性上优于Anthropic Skill Creator。
- W2S在多场景代理痕迹实验中表现出色，显示历史痕迹应作为执行证据而非压缩文本。
研究意义
该研究在自动化技能生成领域具有重要意义，解决了手写技能难以扩展的问题，并通过RWSA中间表示提供了一种新的技能生成方法，能有效提高技能的可靠性和一致性。
技术贡献
技术贡献包括提出了RWSA中间表示，提供了一种新的技能生成框架W2S，能够从痕迹中自动构建可执行的技能，改进了现有方法的行为重放一致性。
新颖性
首次将技能生成视为结构化诱导任务，而非简单的痕迹总结。RWSA中间表示和W2S框架在技能生成领域提供了新的视角和方法。
局限性
- W2S框架在处理极端复杂的痕迹时可能存在性能瓶颈。
- 对于缺乏足够交互证据的场景，技能生成可能不够精确。
未来方向
未来工作可以探索如何进一步优化W2S框架的性能，并扩展其在更多领域的应用。
AI 总览摘要
在现代人工智能领域，技能生成是一个重要的研究方向。现有方法通常依赖手写技能，难以扩展到不同领域和工具环境。本文提出了一种新的技能生成方法，通过RWSA中间表示将技能分解为工作流结构、执行语义和运行时附件。基于此，我们开发了W2S框架，能够从痕迹中自动构建可执行的技能，并在实验中表现出色。
W2S框架通过分段痕迹、诱导局部技能草稿、对齐共享结构、调和分支、压缩冗余，保留证据和置信度注释，显著提高了技能的行为重放一致性。实验结果显示，W2S在70个技能上比基线方法提高了10.5%的行为重放一致性，证明了其在技能生成领域的有效性。
该研究不仅在学术界具有重要影响，也为工业界提供了一种新的技能生成方法，能够提高代理系统的可靠性和一致性。未来工作可以进一步优化W2S框架的性能，并扩展其在更多领域的应用。
深度分析
研究背景
随着大语言模型代理的快速发展，技能成为组织可重用能力的关键抽象。然而，当前技能主要依赖手动编写，难以扩展到不同领域和工具环境。本文研究如何从异构交互证据中自动构建可执行技能。
核心问题
技能生成的核心问题在于如何从碎片化、冗余的痕迹中提取结构化的可执行知识。这些痕迹可能遗漏低频但安全关键的操作，给技能生成带来挑战。
核心创新
本文提出了RWSA中间表示，将技能分解为工作流结构、执行语义和运行时附件。基于此，开发了W2S框架，通过分段痕迹、诱导局部技能草稿、对齐共享结构、调和分支、压缩冗余，保留证据和置信度注释。
方法详解
- �� 引入RWSA中间表示，分解技能为工作流结构、执行语义和运行时附件。
- �� 开发W2S框架，分段痕迹，诱导局部技能草稿。
- �� 对齐共享结构，调和分支，压缩冗余。
- �� 保留证据和置信度注释，生成可执行技能。
实验设计
在70个技能上进行实验，比较W2S与基于总结和提示的基线方法。实验设计包括多场景代理痕迹，评估行为重放一致性。
结果分析
实验结果显示，W2S在行为重放一致性上比基线方法提高了10.5%。此外，W2S在结构保真度和行为一致性上优于Anthropic Skill Creator。
应用场景
W2S框架可用于自动化技能生成，提高代理系统的可靠性和一致性，适用于多领域技能扩展。
局限与展望
W2S框架在处理极端复杂的痕迹时可能存在性能瓶颈。此外，对于缺乏足够交互证据的场景，技能生成可能不够精确。
通俗解读 非专业人士也能看懂
想象你在厨房里做饭。每道菜都有一个食谱，告诉你需要哪些材料、步骤和注意事项。技能生成就像是为AI代理创建食谱。RWSA中间表示就像是把食谱分解成材料清单、步骤说明和注意事项。W2S框架则是一个聪明的助手，能从你过去做饭的经验中自动生成新的食谱。这样，AI代理就能在不同的场景中重复使用这些食谱，确保每次都能做出美味的菜肴。
简单解释 像给14岁少年讲一样
嘿，小伙伴们！想象一下你在玩游戏时，游戏角色需要完成任务。每个任务都有一套规则和步骤，就像游戏中的任务指南。技能生成就是为AI代理创建这些任务指南。RWSA中间表示就像是把任务指南分解成步骤、规则和注意事项。W2S框架就像是一个超级聪明的游戏助手，能从你过去的游戏经验中自动生成新的任务指南。这样，AI代理就能在不同的游戏场景中重复使用这些任务指南，确保每次都能顺利完成任务！
术语表
技能生成 (Skill Creation)
自动化生成可执行技能的方法，旨在提高代理系统的可靠性和一致性。
本文研究如何从异构交互证据中自动构建可执行技能。
RWSA中间表示 (RWSA Intermediate Representation)
将技能分解为工作流结构、执行语义和运行时附件的表示方法。
用于捕捉任务分解、控制流、验证、安全、回滚和状态管理。
W2S框架 (W2S Framework)
基于RWSA中间表示的技能生成框架，能够从痕迹中自动构建可执行技能。
通过分段痕迹、诱导局部技能草稿、对齐共享结构、调和分支、压缩冗余生成技能。
行为重放一致性 (Behavioral Replay Consistency)
技能生成方法在多场景代理痕迹实验中的表现指标，衡量技能的可靠性和一致性。
W2S框架在实验中提高了行为重放一致性。
中间表示 (Intermediate Representation)
用于技能生成的结构化表示方法，帮助分解和组织技能内容。
RWSA中间表示是本文提出的技能生成方法的核心。
开放问题 这项研究留下的未解疑问
- 1 如何进一步优化W2S框架的性能以处理更复杂的痕迹？
- 2 在缺乏足够交互证据的场景中，如何提高技能生成的精确性？
应用场景
近期应用
自动化技能生成
W2S框架可用于自动化技能生成，提高代理系统的可靠性和一致性。
远期愿景
跨领域技能扩展
W2S框架有潜力扩展到更多领域，支持复杂技能生成，提高代理系统的适应性。
原文摘要
Large language model agents increasingly rely on Skills to encode procedural knowledge, yet high-quality Skills remain costly to hand-write. This paper studies automatic Skill construction from heterogeneous interaction evidence, including demonstrations, agent trajectories, tool traces, and execution logs. We argue that trace-to-skill construction is not simple summarization tasks, because traces are fragmented, redundant, and may miss rare but safety-critical behaviors. To address this, we introduce RWSA, a workflow-oriented intermediate representation that decomposes Skills into Workflow structure, execution Semantics, and runtime Attachments, capturing task decomposition, control flow, verification, safety, rollback, and state management. Building on RWSA, we propose W2S, a framework that segments traces, induces local Skill drafts, aligns shared structures, reconciles branches, and compresses redundancy while preserving evidence and confidence annotations. Experiments on 70 Skills show that W2S improves behavioral replay consistency by 10.5% over summarization- and prompting-based baselines, highlighting the need to treat traces as executable runtime specifications rather than compressible text.