agentsope/SkillAlchemy

解决的问题

为AI代理创建可靠的技能通常很困难，因为任务描述往往不完整，专家流程可能未被记录，执行轨迹也常常缺失。SkillAlchemy通过从模糊的简要说明和开放世界数据源中自动化生成可安装、可重用的代理技能来解决这一问题。

工作原理

SkillAlchemy将技能创建视为一个基于源的程序接纳问题。它遵循四个步骤：

1. 需求发现：识别初始技能简报中缺失的隐含需求和约束。
2. 程序获取：从公开来源（如文档、仓库、论文和问题报告）中收集有依据的程序。
3. 范围确定：评估证据，判断某个程序是可重用的指令、特定示例，还是应被排除。
4. 编译：将被接纳的知识打包成可安装的技能包，代理可直接加载并使用。

适用对象

专为需要为AI代理配备特定能力（如审查RAG系统）但无需手动编写每个工作流步骤的开发者和研究人员设计。

主要亮点

• 隐含需求恢复：恢复简报中遗漏的行为相关约束和操作维度。
• 知识提炼：将人物（角色）、方法（书籍、论文、仓库）和现有工作流转化为可执行技能。
• 基于证据的过滤：将可重用指令与上下文相关的示例分离，确保可靠性。
• 技能融合：能够将多个现有工作流或领域知识集合并为单一新能力。
• 高性能：在SkillsBench v1.1基准测试中，性能优于多个自动化技能创建基线，并与人工精心定制的技能表现相当。