SkillNet: Create, Evaluate, and Connect AI Skills

当前的人工智能智能体虽已能灵活调用工具并执行复杂任务，但其长期发展却受限于技能缺乏系统性积累与迁移能力。由于缺少统一的技能整合机制，智能体往往反复“造轮子”，在彼此割裂的场景中重新发现解决方案，而无法复用已有策略。为突破这一瓶颈，我们提出了SkillNet——一个面向大规模人工智能技能构建、评估与组织的开源基础设施。SkillNet依托一套统一的本体框架对技能进行结构化建模，该框架支持从异构来源生成技能、建立丰富的语义关联关系，并在安全性（Safety）、完备性（Completeness）、可执行性（Executability）、可维护性（Maintainability）以及成本意识（Cost-awareness）五个维度上开展多维评估。我们的基础设施整合了包含逾20万项技能的技能库、一个交互式平台，以及一套功能完备的Python工具包。在ALFWorld、WebShop和ScienceWorld等基准环境上的实验评估表明，SkillNet显著提升了智能体的整体性能：在多种主干模型上，平均奖励提升达40%，执行步数减少30%。通过将技能形式化为持续演进、可组合复用的资产，SkillNet为智能体从短暂经验迈向持久精通提供了坚实可靠的基础。

当前AI代理缺乏系统性的技能积累与迁移机制，导致重复发明轮子、无法复用历史经验，阻碍长期能力演进。这是一个尚未被工程化解决的新问题——虽有零散技能学习研究，但缺乏统一的技能定义、评估与组织框架。

提出SkillNet：首个面向AI技能全生命周期管理的开放基础设施，核心创新在于构建统一技能本体（ontology），将技能形式化为可评估、可组合、可演化的一等公民，并支持从异构来源（代码、日志、演示等）自动提取、多维量化评估（Safety/Completeness/Executability/Maintainability/Cost-awareness）及关系化组织。

集成20万+技能库、交互式平台和Python工具包；在ALFWorld、WebShop、ScienceWorld三大具身推理基准上验证，平均奖励提升40%、执行步数减少30%，跨多种骨干模型（如LLaMA-3、Qwen）一致有效；完全开源（代码、技能库、评估协议）；未来方向包括技能演化建模、跨任务零样本技能迁移、人机协同技能蒸馏。

1. 'Tool Learning for Large Language Models' (ACL 2023); 2. 'ReAct: Synergizing Reasoning and Acting in Language Models' (ICLR 2023); 3. 'Self-Discover: Zero-Shot Task Generalization via Reasoning Structure Generation' (NeurIPS 2023); 4. 'Skill Induction in Language Agents via Hierarchical Imitation' (CoRL 2022); 5. 'AgentBench: A Multi-Dimensional Benchmark for Evaluating LLM-based Agents' (ICML 2024)