从轨迹到差异化技能：面向自我改进智能体的认知分化

大型语言模型（LLM）智能体通过推理并与外部环境交互来处理复杂任务。智能体技能提供持久且可迁移的能力，用于指导任务规划、辅助情境决策、支持工具使用，并实现可执行流程。然而，现有的技能演化方法大多围绕技能产物组织知识，忽视了单个技能内部的功能异质性及其对知识维护和使用的影响。受认知科学启发，我们提出技能演化中的认知分化（Cognitive Differentiation in Skill Evolution，CDSE）方法，通过四个功能各异但相互协同的组件演化统一技能：Meta、Experience、Tool 和 Script。CDSE 从成功和失败的轨迹中提取有证据支撑的语义梯度，按功能角色对其进行整合，并针对不同组件实施专门的更新与验证，同时进行跨组件协调和自适应调用。对 500 个排名靠前的技能包进行分析显示，96.8% 的技能包包含至少涵盖两个功能角色的知识。在六个基准、三种智能体模型和两种执行框架上，CDSE 在全部 36 种设置中均取得最高分：相较于 Base 智能体提升 7.6 个百分点，相较于每种设置中最强的竞争方法平均提升 2.6 个百分点。消融实验进一步证明了功能分化和自适应调用的重要性。