Break It Down, Pass It On: Cross-Task Skill Transfer in LLM Agents
拆分并传递：LLM Agent 的跨任务技能迁移
🧭 Agent 技能归纳与跨任务迁移
Stony Brook University
系统比较技能归纳层级与格式，发现子任务级文本技能迁移最可靠，并给出无需执行的技能效用评分
📌 工作参考价值
- 在构建 Agent 技能库/长期记忆时，优先按子任务粒度归纳技能，而不是整个任务轨迹。任务级技能容易过拟合源任务，插入后续任务上下文反而会拉低基线；子任务级技能在多个 benchmark 上稳定带来提升。
- 技能表示优先用文本工作流笔记而非代码函数。文本技能跨域迁移更稳，代码技能存在加载失败、参数化不干净、上下文干扰等问题；如必须用代码，要严格控制可加载性和参数抽象。
- 可以用论文中的轻量诊断 score 在任务执行前评估技能库质量：对每条技能计算 specificity×abstractness，筛掉低分技能或调整归纳方式。该分数只依赖技能描述和任务描述，无需实际跑任务，适合上线前的技能库治理。
- 在电商/Agent 场景可复用思路：把用户操作流程（登录、查购物车、下单、移愿望单等）拆成可共享子技能，并在 Agent memory 中按子任务检索；避免把整条用户 session 总结成一条“大技能”塞进 prompt。
动机 LLM agent 从已完成任务中归纳技能并复用，是经验增长的关键路径。但实践中技能迁移不可靠：从整条任务轨迹归纳出的技能往往过拟合源任务，在后续任务中成为无关或错位上下文，甚至让 agent 表现低于无记忆基线。已有工作要么只评估任务级技能，要么只在单一领域、少数模型上验证子任务级技能，缺乏对“何时技能能可靠跨任务迁移”的系统分析。
方法关键点
- 在两个维度上进行受控对比：技能归纳层级（task-level 对整个轨迹归纳一条技能 vs subtask-level 对每个子轨迹归纳一条技能）和技能格式（text 工作流笔记 vs code Python 函数），交叉共 6 个条件。
- 任务级 agent 是平坦 ReAct 循环；子任务级 agent 由 planner、executor、summarizer 循环分解任务，运行子轨迹后压缩成 summary。
- 技能记忆使用 all-MiniLM-L6-v2 做 description 检索；代码技能额外加载到命名空间。
- 提出技能效用分数：specificity 衡量技能与真实任务的匹配度，abstractness 衡量技能相关性在任务间的均匀度，效用为两者乘积；该分数只需技能描述和任务描述，无需执行任何任务。
关键实验与结果 在 AppWorld、OfficeBench、KramaBench 三个长程 benchmark 上，覆盖 11 个开源/商业模型。子任务级+Text 平均提升 1.9 点成功率，子任务级+Code 提升 0.5 点；任务级+Text 反而下降 1.2 点，任务级+Code 下降 4.1 点。文本技能在两种归纳层级下均优于代码技能。技能效用分数与任务成功率单调相关，且子任务级、文本技能的效用分数更高；transfer density 也显示子任务级技能被更密集地跨任务复用。
最值得记住的一句话 技能迁移的关键是“拆分粒度”：按子任务归纳的文本技能更抽象、更可复用，任务级技能过拟合源任务；specificity×abstractness 能在任务运行前诊断技能库质量。