MUSE-Autoskill: Self-Evolving Agents via Skill Creation, Memory, Management, and Evaluation
MUSE-Autoskill：通过技能创建、记忆、管理与评估实现自我进化的智能体
🧭 Agent 技能生命周期管理 ★ 深度解读
ByteDance Inc. · Rochester Institute of Technology
提出将技能视为统一生命周期资产的智能体框架，引入技能级记忆、测试驱动评估和跨智能体迁移。
📌 工作参考价值（4 点）
- 将能力封装为可测试的技能包：借鉴MUSE将每个技能打包为SKILL.md + scripts/ + tests/ 的标准化结构，电商推荐 Agent 可将常用数据清洗、特征工程、报表生成等流程封装为技能，自带单元测试确保质量，避免每次重复推理。
- 技能级记忆积累经验：为每个技能维护独立的 .memory.md 记录跨任务的使用历史与失败模式，可迁移到推荐系统 Agent，让模型调用策略或特征组合时自动读取历史最佳实践，减少试错。
- 低成本跨模型技能迁移：MUSE 生成的技能文件不依赖特定 Agent 实现，可直接注入另一个 Agent 使用，这对多团队协作或 LLM 切换很有用，可建立公司内部的跨模型技能市场。
- 自适应上下文压缩：采用两级压缩（单节点摘要 + 连续节点合并）应对超长对话，适合推荐系统多轮交互场景，避免上下文溢出且保留关键信息。