这项由复旦大学、微软钻研院与上海交通大学结合发展的钻研，于2026年5月以预印本大局颁布，论文编号为arXiv:2605.23899，感兴致的读者可通过该编号查阅齐全原文。
你有没有想过，一幼我通过不休犯错和堆集经验，最终成为某个领域的专家——这个过程其实和今天的AI智能体在产生的事件极度类似。此刻的AI不只是回覆问题，它们可能自主执行工作：助你整顿电子表格、建复代码谬误、在网上搜索资料、操控软件界面。这类能自主行动的AI，钻研者们叫它"说话智能体"（Language Agent）。
这些智能体在实现工作的过程中，会留下大量"经历"——哪些操作成功了，哪些操作失败了，走了哪些弯路。因而，一个听起来很天然的设法诞生了：能不能把这些经历提炼成一份"技术手册"，让智能体鄙人次做类似工作时直接参考，从而阐发得更好 ？这份手册，钻研者们称之为"技术"（Skill）。
目前已经有不少步骤能够自动从AI的行为日志中提炼出这样的技术手册，而不必要人类专家手工编写，这极大地降低了成本、提高了可扩大性。然而，一个关键问题却持久被忽视：这些自动天生的技术，真的有效吗 ？在什么情况下有效 ？为什么有时辰反而会让AI变得更差 ？
这支来自复旦大学、微软钻研院与上海交通大学的钻研团队，破费大量精力构建了一套系统性的评测框架，第一次从"技术是怎么产生的、怎么被提炼出来的、怎么被使用的"这三个环节全面审视了这个问题。他们的发现既让人振奋，也令人警醒——技术的确有效，但远不是全能的，背后有大量奥妙的法规值得深挖。
要理解这项钻研，先得弄明显AI技术是怎么"活"起来的。钻研团队用一个三段式流水线来描述整个过程，这三段别离对应着技术的诞生、铸造和使用。
第一段叫做"经历天生"。这个阶段，智能体被放进一个工作环境里自由阐扬，就像一个刚入职的新员工去现实操作一遍，纪录下自己每一步做了什么、了局怎么。成功的操作和失败的操作城市被保留下来，形成一个"经历池"。
第二段叫做"技术提炼"。有了这堆原始经历之后，系统会请另一个AI模型（或统一个模型）来表演"导师"的角色，把这些经历综合总结，提炼出一份结构化的技术文档——类似一份操作说明书，通知智能面子对这类工作时应该把稳什么、预防什么、沉点做什么。
第三段叫做"技术使用"。提炼好的技术被塞进智能体的"工作影象"里，智能体在做新工作的时辰能够随时参考这份说明书。钻研者通过比力"有技术"和"没有技术"两种情况下智能体的阐发来衡量技术的真实价值。
这套流程中有两个关键角色：一个是"提炼者"（Extractor），掌管把经历造成技术 ；另一个是"消费者"（Target），掌管用技术去实现工作。有意思的是，这两个角色能够由统一个AI模型担任，也能够由分歧的模型别离担任。钻研团队正是通过系统地扭转这两个角色，来观察技术的成效若何变动。
为了让结论足够靠得住，钻研团队选择了五个齐全分歧类型的工作领域来做尝试。这五个领域涵盖了当前AI智能体最常见的利用场景：仿照家庭环境中的物理工作（好比找到苹果、洗濯杯子、把食品加热后放进冰箱，这个测试集叫ALFWorld）、操作电子表格（SpreadsheetBench）、解决真实软件代码中的缝隙（SWE-bench-Verified）、用网络搜索回覆复杂问题（SEAL-0），以及多轮工具挪用（BFCL-v4）。
参加尝试的AI模型同样来自分歧的"门派"：OpenAI的GPT-5.4和GPT-5.4-mini、谷歌的Gemini-3.1-Pro和Gemini-3.1-Flash-Lite、阿里的Qwen3.5-35B和Qwen3.5-9B。六个模型全数担任"消费者"角色，其中除了Qwen3.5-9B（由于它无法靠得住地遵循提炼和谈），其余五个模型也同时担任"提炼者"角色。
整个尝试矩阵相当重大：五个领域乘以六个消费者乘以五个提炼者，产生了150个分歧的（提炼者、消费者、领域）组合，每个组合还沉复评估三次取均匀。最终了局汇聚成一张具体的"成就单"，纪录每种组合下智能体在有技术和没有技术时的阐发差距。
钻研团队还界说了两个便于分析的综合指标。"提炼效力"（Extraction Efficacy，EE）衡量的是统一个提炼者在面对分歧消费者时，均匀能产生几多提升——这反映的是提炼能力自身的曲直。"指标可进化性"（Target Evolvability，TE）衡量的是统一个消费者在接受分歧提炼者造作的技术时，均匀能获得几多提升——这反映的是消费者从技术中受益的能力。
整体来看，自动天生的技术是有价值的。在所有150个尝试组合里，约莫75%的情况下，智能体在有了技术之后阐发得更好。这听起来相当不错，但剩下的25%却是货真价实的"负迁徙"——智能体在有了技术之后，阐发反而变差了。
这个25%的负迁徙比例并不低，并且在分歧领域里散布极不均匀。最"脆弱"的领域是ALFWorld（家庭物理工作），有将近47%的组合出现了负迁徙。相比之下，操作电子表格和建复软件缝隙这两个领域的负迁徙率只有13%，相对稳重得多。由此可见，技术的价值不是放之四海而皆准的，它的成效深受工作领域自身个性的影响。
更出乎意料的是提炼者的阐发法规。依照直觉，能力越强的AI，应该也能提炼出越好的技术才对。然而尝试给出了齐全相反的答案。以电子表格工作为例，规模最幼、能力相对较弱的Gemini-3.1-Flash-Lite在提炼效力这一指标上排名第一，而基础工作阐发最强的GPT-5.4反而排在最后。这种回转注明，提炼技术是一种独立于执行工作的特殊能力，两者并不挂钩。好的"师傅"不定是最强的"选手"，而最强的"选手"也不定能把自己的经验总结成别人能学会的器材。
同样令人沉思的是消费者端的差距。在ALFWorld领域，GPT-5.4从所有五个提炼者那里都获得了不变的提升，综合可进化性得分达到了+4.93个百分点。但同样是在这个领域，Gemini-3.1-Flash-Lite、Qwen3.5-35B和Qwen3.5-9B的综合得分都是负数——意味着对这些模型来说，技术均匀而言反而是有害的。统一套技术，有的AI吃得下，有的AI消化不了，甚至还会"消化不良"。
既然技术是从经历中提炼出来的，那么经历自身的组成就显得至关沉要。钻研团队专门设计了一个尝试来回覆一个看似单一的问题：在用于提炼技术的经历池里，成功的案例多好，还是失败的案例多好 ？
尝试步骤很直接：固定统一个提炼者（GPT-5.4-mini），从统一批原始经历里抽取出五种分歧比例的经历池，别离是100%成功、75%成功、50%成功、25%成功以及0%成功（即全数失败）。对这五种经历池别离提炼技术，而后评估各自产生的技术在电子表格、代码建复和家庭工作三个领域里的成效。
了局揭示了两个沉要法规。第一个法规是：全数由失败案例组成的经历池，在所有领域里都产生了最差的技术。这注明成功的经历是技术的基础，若是只有失败案例，提炼者无法从中获得"应该怎么做"的正面疏导，而只能得到一堆"不要这样做"的忠告，这显然不够� ；痪浠八�，失败经历能通知你"坑在哪"，但光知路坑在哪还不够，你还得知路"路在哪"。
第二个法规更奥妙：最优的成功与失败比例因领域而异。电子表格工作偏差于从成功案例越多越好，代码建复工作在成功占无数时达到峰值，而家庭工作却在失败案例占较大比例时阐发最好。家庭工作的这一个性很有意思，由于在这个环境里，失败往往意味着走进了死角或者尝试了无效作为，这类失败信息对于缩幼索求空间、预防沉复谬误拥有特殊价值。分歧领域的工作结构分歧，失败经历所携带的信息价值也就分歧。
解决了"用什么资料提炼"的问题之后，钻研团队把眼光转向了技术文本自身的质量问题：一份技术文档看起来写得好，是否意味着它真的能让AI阐发更好 ？
第一个测试针对的是体式。钻研团队把统一份技术内容沉新改写成四种分歧的体式：有序编号列表、无序符号列表、复选框清单和通常段落。直觉上，体式整齐、条理清澈的内容应该更容易被AI理解。然而，统计检验的了局显示，这四种体式在所有六个消费者模型上产生的成效差距都无法与随机颠簸分辨隔来（所有的统计p值都大于0.34）。与此形成鲜明对比的是，换一个分歧的提炼者所产生的成效差距，在六分之五的消费者上都达到了统计显著性。这意味着，技术怎么排版底子无关紧要，关键在于它说了什么。
第二个测试越发戏剧性。钻研团队让GPT-5.4表演一个"评审官"，给它看两份从统一个消费者经历中提炼出的技术，让它判断哪份技术更可能产生更好的成效。这个尝试的用意是测试：一个说话模型凭借自身的直觉，能否分辨出真正有效的技术 ？
答案令人汗颜。在没有任何评估尺度指引的情况下，评审官选对的概率只有46.4%，和随机猜测险些没有差距。更糟糕的是，当钻研团队只看那些两份技术真实成效差距超过5个百分点的"悬殊"对决时，评审官选对的概率跌到了15.8%——这已经是显著地在反向选择了� ；痪浠八�，在两份技术差距越大的时辰，评审官越是偏差于选那份看起来更好但现实上更差的技术。技术的"颜值"和"实力"之间，存在着令人不安的背离。
钻研团队从一个具体的反例里获得了启迪。他们发现，在真实成效最好的技术里，往往蕴含这样的内容：明确指出某个具体的失败机造，并给出可执行的对策，例如"在无界面环境下，公式字符串不会被推算引擎执行，因而必须在Python中预先推算出静态数值再写入"。而那些看起来措辞严谨、逻辑清澈、现实成效却平平的技术，往往只给出泛泛的流程建议，好比"在编码前先明确工作要求"——这话没错，但毫无操作性。
他们从电子表格工作里挑出了两份技术：一份是由基础阐发最强的消费者（GPT-5.4）的经历提炼出的"强池技术"，另一份是由基础阐发最弱的消费者（Qwen3.5-9B）的经历提炼出的"弱池技术"。而后，他们把这两份技术别离注入六个分歧的消费者模型，观察各自的阐发变动。
强池技术阐发出了"普惠性"：六个消费者全数从中受益，提升幅度从Gemini-3.1-Pro的+1.8个百分点到Qwen3.5-35B的+9.5个百分点不等。相比之下，弱池技术就分化得多：有些消费者依然能从中受益，有些消费者却出现了显著的负迁徙，好比GPT-5.4在使用弱池技术后反而下滑了2.0个百分点。这再次印证了前面的发现：经历池的质量，直接决定了最终技术的广谱合用性。
钻研团队还深刻分析了技术对智能体行为的现实影响，拔取了GPT-5.4（受益显著）和Qwen3.5-9B（部门情况下受损）这两个对比鲜明的案例进行具体观察。
在决策行为上，技术的注入扭转了智能体在职务起头时的整体战术选择。对GPT-5.4来说，技术疏导它从"写公式作为答案"这种战术转向"用Python推算出数值再写入"这种更靠得住的战术——这是一种战术纠正，而非能力扩大。对Qwen3.5-9B而言，技术也推动了战术转变，让它尝试更原生的工作表操作方式，但这种更复杂的操作方式反而增长了它犯错的概率，得不偿失。
在索求行为上，两个模型在接受技术后都更频仍地在正式行动之前先查抄工作表的结构、表头和数据领域。但对Qwen3.5-9B来说，这种额表的索求并不总能转化为更好的执行，有时反而让推理链条变得更长更复杂，最终依然谬误终场。
在工具使用行为上，技术的影响不是让模型去"挪用技术工具"，而是悄无声息地扭转了它们使用现有工具的方式。GPT-5.4变得更偏差于用有天堑� ；さ男慈氩僮骱突诿愕牡ピ穸ㄎ� ；Qwen3.5-9B则从数据框式的整体沉写转向了更精密的单元格级别操作，固然在结构保真度上有所提升，但执行的不变性却降落了。
启程点是一个单一的对比：若是直接问AI"评价一个好技术应该看哪些维度"，它会给出什么答案 ？了局AI列出了七个维度：清澈度、齐全性、简洁性、逻辑结构、体式质量、语气中立性和普遍合用性。这七个维度听起来都很合理，但钻研团队把它叫做"表表合理性评分尺度"——由于这些维度关注的是文本的表观，而非现实成效。
钻研团队接下来用一套自动化流程来发现那些真正与成效有关的维度。他们从尝试矩阵中挑出了17对"成效差距大"的技术对——也就是用同样的消费者经历、但由分歧提炼者产生、成效相差悬殊的两份技术。而后让GPT-5.4逐对分析：成效好的那份在哪些方面胜过成效差的那份 ？网络完所有的对比分析后，再把这些差距汇总、归并，最终提炼出七个候选维度，称为"原始评分尺度"。
这七个候选维度别离是：失败机造编码（说明显为什么会失败，而不只是说会失败）、可操作的具体性（步骤级此外操作指南，明确引用领域内的对象和工具）、环境与工具语义（编码工具和对象的现尝试为方式）、战术切换前提（何时应该扭转步骤）、天堑前提覆盖（处置特殊情况）、高风险操作黑名单（明确不容某些有害操作模式）、以及基准对齐优先级（聚焦评估现实衡量的内容）。
为了验证哪些维度真正有预测力，钻研团队对每个维度单独测试：用这个维度作为判断凭据，在那151对高差距技术对里，成效更好的那份技术是否确切实这个维度上得分更高 ？最终，失败机造编码（正确率65.5%）、可操作的具体性（66.0%）和高风险操作黑名单（64.6%）三个维度脱颖而出，它们对技术成效的预测力显著高于随机水平。这三个维度组合成了"验证后的评分尺度"。
把这套评分尺度沉新送给评审官，整体正确率从46.4%跳升到了73.8%。更值妥贴心的是，那些最难判断的高差距技术对（成效差距超过5个百分点），在无指引时评审官只有15.8%的概率选对，在有了三维度尺度之后，选对的概率大幅回转，超过了一半。
随后，钻研团队把这套评分尺度造成了一段简短的"元技术"（Meta-Skill）——一段描述好技术应该具备哪些特点的领导文字，在提炼者起头工作之前就塞进它的提醒词里，相当于给提炼者预先灌输了一套质量意识。
最终成效相当拥有说服力。用七维表表合理性尺度作为指引时，九个评估格（三个领域乘以三个消费者）里有六个出现了机能降落，均匀降低了0.59个百分点——这注明谬误的质量尺度不只是没用，还会起反作用。而用三维验证后尺度作为元技术指引时，九个格全数出现了机能提升，均匀提升了1.55个百分点，在电子表格工作上的提升尤其显著，从原始技术的成效再提高了2.3到3.7个百分点。这套元技术不必要批改任何底层流程，只必要在提炼者的系统提醒词里加一段话，就能不变地改善技术质量。
归根结底，这支钻研团队做的事件，是给"AI智能体进建经验"这件事做了一次彻底的体检。他们发现，技术这个机造总体上是有价值的，但绝非万妙药：四分之一的情况下会助倒忙，并且这种风险因领域、因模型的分歧而天壤之别。
更沉要的是，三个阶段的问题各不一样。在经历天生阶段，必要在成功案例和失败案例之间找到适合该领域的平衡点，而不是盲目堆砌某一种 ；在技术提炼阶段，能力强的模型不定是好的提炼者，并且一份技术看起来有没有路理，和它用起来是否有效，齐满是两回事 ；在技术使用阶段，分歧的消费者消化技术的能力差距惊人，有的模型能把技术转化为切实的战术提升，有的模型却会被技术误导，走向更复杂但更不不变的操作蹊径。
这对任何想要为自己的AI产品构建技术库的人都有直接的参考价值。首先，选择提炼者不能单一地选"最强的模型"，而要思考它与消费者、与工作领域的匹配水平。其次，技术提炼前的经历池组成值切当真设计，而不是单一地堆越多越好。最沉要的是，用来判断技术质量的尺度，必须来自真实的成效数据，而不是直觉或审美——一份"看起来写得好"的技术，很可能正是必要裁减的那份。
对于不在AI钻研领域的通常读者来说，这个故事或许也有一丝启发：经验堆集和进建成效之间，正本就不是单一的线性关系。把别人的经验直接照搬过来，不定适合自己 ；而那些条理清澈、措辞得体的"操作手册"，也不定比一份写着"上次就是由于X而失败、下次要做Y"的潦草笔记更有效。真正有价值的经验，在于它能不能助你避开那些你最可能踩的坑。
A：这项钻研的尝试了局显示，提炼技术的能力和执行工作的能力是两种分歧的特质，两者并不挂钩。能力强的模型善于实现工作，但不定善于把自己的经历转化为此外模型能理解并使用的领导。提炼技术必要的是正确鉴别经历中真正有价值的操作法规，并以对消费者有效的方式表白出来，这和模型的整体能力大幼没有直接关系。
A：尝试批注，技术消费的成效因模型而异。技术注入不是给模型增长新工具，而是扭转它的默认决策战术。对某些模型来说，这种扭转会疏导它采取更靠得住的步骤 ；对另一些模型来说，技术里描述的更复杂操作方式超出了它不变执行的能力领域，反而导致更多谬误。单一来说，不是所有模型都能消化统一份技术，消化能力自身就是因模型而分歧的特质。
A：元技术是一段描述好技术应该具备哪些特点的领导文字，它基于三个真正与现实成效有关的维度：明显注明为什么会失败的具体机造、提供可执行的操作步骤而非泛泛建议、以及明确列出哪些有害操作绝对要预防。使用方式极度单一，只必要在AI提炼者起头工作之前，把这段描述参与它的系统提醒词里即可，不必要批改任何底层流程，就能不变提升最终技术的质量。
人与动物因参与即时零售大战，美团从去年二季度开始失血，当季盈利锐减至不到4亿元，随后在三季度和四季度净亏损185亿元、151亿元，如今在一季度再亏68亿元，连续三季度亏损合计超过400亿元。重新回到赛场之后，王祉怡延续了火热的手感，逐渐将领先的优势扩大到了15-11，尽管杨佳敏没有放弃，一度在局末阶段，将比分迫近到了18-19，但是王祉怡没有给对手追平的机会，连得2分以21-18取得了开门红。人与动物《娇生灌养》作者:十有九溺4000万美元金条藏民宅的消息迅速刷屏全美社交平台，网友纷纷调侃，拉什家里的黄金储备，堪比小型国家金库，好莱坞谍战片都不敢设计这么夸张的贪腐剧情。“苏超”以13座城市为参赛主体，将足球赛事与城市文化、群众参与深度融合，凭借广泛的群众基础持续“出圈”，成为观察中国群众体育发展的一个窗口。在乌兹别克斯坦《贾迪德》(Jaidazeta)记者绍伊莫夫·阿博斯看来，“苏超”早已不仅是一场体育赛事，更成为连接不同年龄、不同职业人群的重要公共平台，增强了市民的参与感和归属感。
20260604 ? 人与动物但东南亚不同，很多品类不是竞争太激烈，而是有效供给还不够。在一些新兴市场，产品SKU有限、更新速度慢，对于更好的新东西，消费者接受度往往很高。中国供应链的丰富度和迭代速度成了优势。“我们在印尼投资了一系列大众消费品，比如尿不湿、化妆品、炸鸡、咖啡，但企业发展得都还不错。”梁民俊说。妈妈的新男友资产负债表方面，截至2026年4月30日，公司持有现金及现金等价物89.35亿美元，有价证券29.02亿美元；非流动债务大幅升至392.8亿美元，较上年末的104.39亿美元显著增加，主要反映ASR相关融资安排的影响。
20260604 ? 人与动物全球人工智能基础设施的扩张势头正持续向亚太区域延伸。AI云服务商IREN宣布，已在澳大利亚南澳州签署一项800兆瓦输电连接协议，标志着该公司正式将其数据中心业务版图拓展至亚太地区。《女性私处推拿通常要几天》公告显示，学校计划招聘一名在编管理岗人员。除学历、年龄等常规要求外，还特别注明：应聘者配偶须为该校在职在编优秀博士，且需满足承担国家级项目、发表高水平论文、获得省级以上奖励等多项业绩条件。相关信息很快在社交平台传播，不少网友质疑，这是否属于典型的“萝卜岗”——即岗位条件高度指向特定对象的定向招聘。
京公网安备11010202000001号
