據(jù)《The Register》報(bào)道，授人以魚(yú)不如授人以漁，對(duì) AI 智能體而言也是同理：教會(huì)它如何搜集信息，它就能自己持續(xù)獲取數(shù)據(jù)；但如果讓它完全自主摸索，結(jié)果往往只會(huì)更糟。

AI 智能體是一類機(jī)器學(xué)習(xí)模型（例如 Claude Opus 4.6），它們可通過(guò) CLI 控制層（例如 Claude Code）調(diào)用其他軟件，并以迭代循環(huán)的方式運(yùn)行。這類智能體可被指派處理各類任務(wù)，其中一些可能并不在其訓(xùn)練數(shù)據(jù)覆蓋范圍內(nèi)。

當(dāng)缺乏相應(yīng)訓(xùn)練時(shí)，我們可以為智能體賦予新的“技能”——這些技能本質(zhì)上是補(bǔ)充的參考資料，用于讓智能體具備特定領(lǐng)域的能力。此處所說(shuō)的“技能”，包括指令、元數(shù)據(jù)，以及智能體加載用于獲取程序性知識(shí)的腳本、模板等其他資源。

例如，我們可以通過(guò)一項(xiàng)技能指導(dǎo) AI 智能體如何處理 PDF 文件，這項(xiàng)技能包含 Markdown 文本、代碼、依賴庫(kù)以及相關(guān) API 參考資料。盡管智能體從訓(xùn)練數(shù)據(jù)中可能已掌握一定處理方法，但只有在更具體的指導(dǎo)下，它的表現(xiàn)才會(huì)更出色。

但近期一項(xiàng)名為《SkillsBench：基準(zhǔn)測(cè)試智能體技能在多任務(wù)中的表現(xiàn)效果》的研究表明：要求智能體自主生成這類技能，結(jié)果往往令人失望。人工智能中的“智能”成分，在一定程度上被夸大了（The "intelligence" part of artificial intelligence is somewhat overstated）。

至少對(duì)于大語(yǔ)言模型（LLM）在推理階段而言確實(shí)如此——也就是訓(xùn)練完成后的實(shí)際使用階段，而非訓(xùn)練過(guò)程本身。

全新標(biāo)桿

某些機(jī)器學(xué)習(xí)形式（如深度學(xué)習(xí)）的應(yīng)用方式，可使神經(jīng)網(wǎng)絡(luò)模型在電子游戲等特定領(lǐng)域任務(wù)中不斷提升性能。

AI 智能體呈現(xiàn)爆發(fā)式增長(zhǎng)——例如 Anthropic 的 Claude Code、谷歌的 Gemini CLI、OpenAI 的 Codex CLI，這推動(dòng)了用于增強(qiáng)智能體能力的各類技能快速發(fā)展，技能庫(kù)如雨后春筍般不斷涌現(xiàn)。

而鑒于 OpenClaw 智能體已在 Moltbook 自動(dòng)化社區(qū)網(wǎng)絡(luò)中實(shí)現(xiàn)相互學(xué)習(xí)，如今早已到了該評(píng)估它們學(xué)習(xí)效果究竟如何的時(shí)候（And given how OpenClaw agents have been teaching each other in the Moltbook automated community network, it seems well past time to figure out how good a job they do at it）。

迄今為止，尚無(wú)統(tǒng)一方法來(lái)檢驗(yàn)這些技能是否能兌現(xiàn)其承諾。為此，一支由40名計(jì)算機(jī)科學(xué)家組成的團(tuán)隊(duì)著手開(kāi)發(fā)了一套基準(zhǔn)測(cè)試，用以評(píng)估智能體技能在推理過(guò)程中如何提升性能。

該團(tuán)隊(duì)成員來(lái)自亞馬遜、BenchFlow、字節(jié)跳動(dòng)、富士康、Zennity等企業(yè)，以及卡內(nèi)基梅隆大學(xué)、斯坦福大學(xué)、加州大學(xué)伯克利分校、牛津大學(xué)等多所高校。

這項(xiàng)研究由智能體評(píng)測(cè)初創(chuàng)公司BenchFlow的創(chuàng)始人李祥一（音譯）牽頭，研究團(tuán)隊(duì)開(kāi)發(fā)了名為SkillsBench的測(cè)試，并在上述預(yù)印本論文中闡述了相關(guān)研究成果。

研究人員針對(duì)7種智能體模型配置、84項(xiàng)任務(wù)、共7308條執(zhí)行軌跡展開(kāi)了分析——每條軌跡代表一個(gè)智能體在特定技能條件下嘗試解決單個(gè)任務(wù)的過(guò)程。

團(tuán)隊(duì)測(cè)試了三種條件：無(wú)技能、人工精選技能和自主生成技能（Three conditions were tested: no skills, curated skills, and self-generated skills）。

使用人工設(shè)計(jì)的精選技能的智能體，其任務(wù)完成率平均比無(wú)技能智能體高出16.2%，不過(guò)數(shù)據(jù)波動(dòng)較大（The agents using curated skills – designed by people – completed tasks 16.2 percent more frequently than no-skill agents on average, though with high variance）。

研究中列舉了一個(gè)洪水風(fēng)險(xiǎn)分析任務(wù)的例子：不具備技能的智能體未采用合適的統(tǒng)計(jì)方法，通過(guò)率僅為2.9%；

而在配備精選技能后——即指導(dǎo)智能體使用皮爾遜Ⅲ型概率分布、遵循美國(guó)地質(zhì)調(diào)查局標(biāo)準(zhǔn)方法，并明確調(diào)用SciPy函數(shù)與參數(shù)解讀等細(xì)節(jié)——其任務(wù)通過(guò)率提升至80%。

從具體知識(shí)領(lǐng)域來(lái)看，醫(yī)療健康領(lǐng)域（提升51.9個(gè)百分點(diǎn)）和制造業(yè)領(lǐng)域（提升41.9個(gè)百分點(diǎn)）的人工定制技能對(duì)AI智能體幫助最大，而數(shù)學(xué)（提升6.0個(gè)百分點(diǎn)）和軟件工程（提升4.5個(gè)百分點(diǎn)）相關(guān)技能帶來(lái)的提升較小。

研究作者解釋道，這是因?yàn)樾枰獙I(yè)知識(shí)的領(lǐng)域在訓(xùn)練數(shù)據(jù)中占比通常偏低，因此由人類為這些領(lǐng)域的智能體補(bǔ)充技能是合理有效的。

并且在補(bǔ)充技能時(shí)，少即是多：只包含少量（2–3個(gè)）模塊的技能，效果遠(yuǎn)優(yōu)于大量數(shù)據(jù)堆砌（And when doing so, less is more – skills with only a few (2-3) modules performed better than massive data dumps）。

這一點(diǎn)同樣適用于模型規(guī)模——經(jīng)過(guò)人工整理的技能能讓小模型在任務(wù)完成率上越級(jí)表現(xiàn)（That applies to model scale too – curated skills help smaller models punch above their weight class in terms of task completion）。

配備技能的 Anthropic Claude Haiku 4.5 模型（27.7%）表現(xiàn)優(yōu)于無(wú)技能的 Haiku 4.5（11%），也優(yōu)于無(wú)技能的 Claude Opus 4.5（22%）。

當(dāng)研究人員讓智能體自學(xué)技能時(shí)，要求它們：

- 分析任務(wù)需求、領(lǐng)域知識(shí)和所需API；

- 編寫(xiě) 1–5 個(gè)模塊化技能文檔來(lái)解決任務(wù)；

- 將每個(gè)技能保存為 Markdown 文件；

- 再利用生成的參考資料完成任務(wù)。

結(jié)果是：嘗試自學(xué)的智能體，表現(xiàn)反而比完全不嘗試自學(xué)的更差（Agents that tried this did worse than if they hadn't tried at all）。

至少就目前而言，人工智能革命無(wú)法完全自動(dòng)化——機(jī)器仍需要人類導(dǎo)師為其指引正確方向。