NUS 团队这篇 SkillGLoW 研究的就是 Skill 应该怎么长期组织。
现在常见的做法有两种。
把所有经验不断压进一个文档，最后很容易只剩下一些泛化原则；每个任务单独存一条 Skill，又会让技能库越来越大，而且很多经验只能适用于当时那个具体任务。
SkillGLoW 在两者之间加了一层「程序族」。
它会把大量执行经验按照「怎么解决」来聚类，把相似任务共享的解题流程压缩成一个 Global Skill。至于具体参数、环境状态这些细节，则在每次新任务里重新生成 Local Skill。
这样长期保存的是可迁移的流程，任务细节用完就不再塞进技能库。
每次新的 Global Skill 也要经过真实执行验证，确认不会让现有能力退化之后才会写入。
实验覆盖数学推理、终端操作、软件修复和具身控制。相比没有 Skill，Global Skill 平均提升 17.2 个百分点，同时技能库比逐任务保存缩小了 3.6 倍。
在未见过的 ALFWorld 任务上，成功率也从 73.9% 提升到 83.9%。
这篇让我想到，Agent Skill 的核心可能会从「存多少经验」转向「经验应该抽象到哪一层」。
太具体，很难迁移。
太抽象，又很难真正指导行动。
找到那个可以跨任务复用的「解题流程」，可能才是长期自进化 Agent 真正需要沉淀的东西。
📎 arxiv: https://arxiv.org/abs/2609.02217