浙江大学、新加坡国立大学、上海交通大学和美团联合提出了SkillRise，一个面向跨任务技能演化的统一强化学习框架。在ALFWorld、WebShop和ScienceWorld三个基准上，SkillRise在Pass@1指标上相比最强基线提升了2.3到8.5个百分点。关键设计是让智能体在解决任务的同时，自动整理一份可传递给下一个任务的技能文档。
智能体在两个角色间切换：解题者 + 整理者
标准智能体强化学习将每个任务视为独立回合，导致跨任务经验无法积累。一些技能学习方法尝试解决这个问题，但往往需要多阶段流水线，将提取、检索和执行分开，导致各环节相互纠缠。
SkillRise的设计简单直接：将相关实例组织成逐步提升难度的序列，然后使用单一策略在两种动作间交替——任务求解（在当前任务上采取行动）和技能整理（更新一份不断演化的技能文档）。这份文档直接传递给下一个任务。
这种设计的核心是"解耦信用分配"机制：任务求解的好坏用当前任务的结果监督，而技能整理的好坏用折后的下游任务结果来监督。这意味着，如果整理出来的技能文档帮助了后续任务，整理动作就会获得正面奖励；如果后续任务变差，整理动作也会受到惩罚。
这个机制回答了一个此前不好处理的问题：智能体在写技能文档的当下，无法立刻知道自己写得对不对。把奖励延后到下游任务，等于让文档的价值由它实际带来的帮助来判定，而不是由某个人工设定的格式规范来判定。
从重复尝试到跨任务迁移
实验对比了ALFWorld、WebShop和ScienceWorld三个基准。SkillRise在所有基准上取得了最强的Pass@1性能，增益幅度从2.3到8.5个百分点。
更有趣的是测试时缩放效应。当给智能体提供更长的相关任务序列（即使每个任务只尝试一次），性能会随着序列变长而持续提升。这个趋势说明，SkillRise确实在跨任务复用可迁移技能，而不是通过重复采样同一任务来提升表现。
图：SkillRise在跨任务训练中抽取、复用和演化技能的框架。
一个技能文档，多次利用
消融实验验证了技能文档的作用。当移除技能文档组件后，SkillRise的性能下降到与基线相当的水平。训练过程中文档的演化也有迹可循——从初始的通用策略描述，逐渐细化到包含各域的具体操作模式。
虽然SkillRise是在不同任务上训练的，其学到的整理策略在同一个任务的重复尝试上仍然有效。这意味着即使任务序列中出现了类似的任务，技能文档也能提供帮助。
图：不同训练设置下SkillRise成功率随训练步数的变化。
效率和可扩展性
相比多阶段流水线的技能学习方法，SkillRise在运行时开销上也有优势。单一策略的设计避免了多个阶段之间的切换成本，大幅降低了运行时间。论文中的效率对比显示，SkillRise在保持更强性能的同时，运行时间显著低于多阶段方法。
这一点在工程上不容忽视。技能提取、向量检索、执行决策分属三套模块时，每一步都要序列化中间结果、加载各自的模型，累积的等待时间往往超过实际推理时间。把三件事收进同一个策略后，中间状态直接留在上下文里，省掉的是整条链路的胶水开销。
图：SkillRise与基线的成功率和相对运行时间对比。
跨任务缩放：更多任务，更好表现
测试时缩放效应是一个值得关注的现象。当任务序列长度从2个增加到8个时，即使每个任务只尝试一次，Pass@1仍然持续提升。这意味着SkillRise的增强效果来自跨任务技能迁移，而非域内重复采样。
这种缩放效应为训练LLM智能体提供了新的思路：与其在单个任务上反复采样，不如构建相关的任务序列，让智能体在序列中自然积累可迁移的技能。
图：跨任务序列长度增加时不同方法的成功率变化。
从模拟环境走向真实场景应用
SkillRise的实验在ALFWorld（家居任务）、WebShop（在线购物）和ScienceWorld（科学实验）等模拟环境中进行。这些环境提供了丰富的任务变体，但距离真实世界还有差距。真实环境中任务的异构性更强，相关和不相关的任务往往混杂在一起，如何自动构建合适的任务序列，是将SkillRise推广到实际应用的下一步。
值得留意的是这套思路与工程实践的契合点。真实业务里的智能体往往长期面对同一类任务——处理工单、比对报表、跑同一套运维流程。这些场景天然构成了"相关任务序列"，也正是技能文档最容易积累起价值的地方。
