论文：Skill∞: Recursive Self-Improvement for Agent Skill Optimization（arXiv:2610.35434，NUS / CityU HK）

核心问题：现有的 skill 优化器（如 SkillEvolver）用人工设计的固定流程去优化技能。即使是 MetaSkill-Evolve 这类会改写“元技能”的方法，流程的骨架（角色、连线方式）也是固定的，而且元技能只绑定到一个任务技能上。作者认为，优化器自己的流程也应该能被改进，否则改进会停滞。

方法概述

如图所示技能优化的RSI技术：

1. 把优化流程写成一个 skill（元技能 meta-skill）
优化器本身是一个 SKILL.md 加上参考文件和脚本的 skill 包。Meta Agent 读取这个 skill，按它的步骤执行优化。因为流程是 skill，所以可以被同一套流程改写。

2. 双环结构（∞）

• 内环：Meta Agent 用元技能优化任务技能 s₀ → s*。
• 外环：同一套流程用来优化元技能本身 m₀ → m*，优化任务是“给定种子技能，在若干任务上把它优化好”。
• 元技能的分数定义为它所引导的任务技能提升的平均值（式 2、3）。

3. 每轮迭代的六个步骤（都写在元技能里）
Inspect（查看归档）→ Diagnose（分析父节点的 rollout）→ Propose（生成 1–2 个候选，附带观察、改动、预测和证伪条件）→ Evaluate（评测）→ Review（独立 Reviewer 子代理审查，拒绝无实质改动、从未激活或不可用的候选）→ Decide（继续、回溯或停止，并选择下一个父节点）。

4. 关键设计点

• 归档（Archive）：记录完整的优化树，允许回溯到早期节点，也允许保留“平手但解决了目标失败”的候选。
• 搜索即推理：分数只说明“是否提升”，Meta Agent 要结合诊断和评审去理解“为什么”，而不是机械地按分数搜索。
• 自适应预算：Meta Agent 自己决定每轮生成几个候选、何时停止。
• 解耦：元技能在一组跨领域的优化任务上训练，之后用于优化各种任务技能，摊销了成本。
• 原生 skill 发现：不向 agent 注入技能，也不要求它加载技能，只让它看到 name/description，和真实部署一致。因此 description 也属于优化范围。

如图所示Skill∞的概览：

如下所示Skill∞的算法总结：

实验结果

设置	结果
SkillsBench 83 题（Codex CLI + GPT-6 Luna，avg@5）	Skill∞ 60.7%，human-curated 56.4%，SkillEvolver 54.5%，无技能 45.5%
消融：去掉元技能自我改进	55.9%（仍略高于 SkillEvolver 的 54.5%）
KernelBench 平均加速比	Skill∞ 1.62，SkillEvolver 1.18，无技能 1.02
换模型（GPT-5.6 Luna）/ 换 harness（OpenCode）	Skill∞ 66.5% / 56.9%，human-curated 61.2% / 53.3%
成本	一次任务技能优化约 8.7M 输入 / 66k 输出 token；元技能自我改进总计约相当于 11 次任务技能优化，摊到 83 个任务上每个增加不到 15%

贡献和不足分析

有说服力的部分

• 把“优化流程”也变成可改写的 skill，设计上很干净。消融显示：流程本身带来约 10 个点（45.5→55.9），自我改进再带来约 4.8 个点（55.9→60.7）。
• 分域的增益和论文描述一致（数学 +24.0、媒体 +22.2、SWE +11.4），我核对表 1 数字是对得上的。
• 归档 + 独立 Reviewer + 证伪条件，这些机制能减少“噪声当进展”的问题，这是实用的工程经验。
• 失败案例（附录 C）说明自我改进确实改变了元技能的行为，例如把“平手即接受”改成“必须有进展才接受”，而不只是改了措辞。

需要保留的疑问

1. 基线与结论的强度：只用一个骨干模型（GPT-6 Luna）和一个 harness 作为主实验，换模型后只在 SkillsBench 上比较，没有对 KernelBench 做同样的扩展。另外，Skill∞ w/o 自我改进（55.9）比 SkillEvolver（54.5）只高 1.4 点，在 83 题、5 次试验下很可能落在噪声范围内。
2. 选择性报告：表 1 中 human-curated 在 Cyber（68.6 vs 51.4）、Science（67.1 vs 57.1）、Finance（37.8 vs 26.7）上明显优于 Skill∞。表 2 中 C1 类（human-curated 能解、通过率 ≥40%）上，Skill∞ 只有 29.2，human-curated 是 58.5。正文强调的是“对 SkillEvolver 有优势”，这一点应当谨慎看待。
3. 奖励可靠性：作者自己承认，两层优化都依赖自动化验证器，所以方法只适用于奖励可可靠计算的领域。外环的奖励是任务技能在验证集上的增益，如果验证器有漏洞，元技能可能学会“钻空子”。论文只说明了 reward tampering 的风险，没有系统测试。
4. 可复现性：代码仍是“will be released”，关键结论依赖 Codex CLI、GPT-6 Luna 等闭源或预览模型，外部复现成本高。
5. 元技能的遵循性：流程靠 LLM 遵循长指令，没有代码强制执行。论文也承认这一点（Limitations）。
6. 成本口径：成本只统计 token，没有统计 wall-clock 时间和评测用的 rollout 费用。