编码智能体的分层技能演化

论文用分层技能演化让冻结编码模型跨环境复用经验。

资讯摘要

论文提出 Hierarchical Skill Evolution（HSE），从编码轨迹中分层蒸馏可迁移的过程性技能：先提取任务级证据，再在同一仓库内聚合为仓库级技能候选，最后跨仓库整合为可迁移技能。整个演化由外部 writer-evaluator 循环驱动，底层编码模型保持冻结。作者在 SWE-bench Verified 与 DeepSWE 上，用 GLM-5.2（Pi、Claude Code 框架）及 GPT-5.5、Opus 4.8（Pi）评估，报告仅由 SWE-Gym 演化的 10 个技能在各设置下均提升编码表现。

要点速读

1. HSE 通过任务级、仓库级、跨仓库三级证据聚合，过滤任务细节并保留可泛化流程。
2. 演化由外部 writer-evaluator 循环完成，编码模型冻结，循环同时更新 writer 与 evaluator 策略。
3. 作者报告仅用 SWE-Gym 演化的 10 个技能在 SWE-bench Verified 和 DeepSWE 上跨基准、模型与框架均有提升。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/28 08:00:17（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。