核心要点
- SkillCraft 让 AI Agent 把成功的工具调用链保存为可复用技能——不再每次从头解决同样的问题
- 以 GPT-5.2 为例，技能复用将 Token 从 1.23M 降至 0.26M（减少 79%），成本从 $1.77 降至 $0.43，成功率从 87% 升至 90%
- 四步流水线：查库 → 原子工具执行 → 成功轨迹抽象为参数化技能 → 验证后保存
- 深层技能树（技能嵌套调用技能）并不总是更好——浅层、高质量、经过验证的技能优于复杂嵌套层级
- 跨模型迁移可行：Claude 创建的技能在不同执行模型上表现稳定
- 论文：arXiv:2603.00718 · 源码：github.com/shiqichen17/SkillCraft
SkillCraft 是什么？
AI Agent 会用工具——这已经不新鲜了。真正的问题是：它们不会记住什么有效。每次碰到类似任务，还是要重新规划、重新传参、重新走工具链。SkillCraft 解决的就是这个问题。
核心属性：
- 类别：Agent 技能学习与复用框架
- 解决的问题：Agent 反复重新发现已经成功使用过的工具链，浪费 Token 和成本
- 方法：将验证通过的工具调用轨迹保存为参数化、可复用的技能
- 论文：arXiv:2603.00718
工作原理：四步流程
1. 查库 → 库里有没有匹配当前任务的现成技能？
2. 执行 → 如果没有，用原子工具完成任务
3. 抽象 → 把成功轨迹提取为带参数的技能
4. 验证 → 测试通过后保存到技能库关键洞察：Agent 不是记住答案——而是保存成功的路径，把一次性成功转化为可复用的高层能力。
性能：Token 节省 79%
| 指标 | 无技能复用 | SkillCraft | 变化 |
|---|---|---|---|
| 成功率（GPT-5.2） | 87% | 90% | +3% |
| 平均 Token/任务 | 1.23M | 0.26M | −79% |
| 平均成本/任务 | $1.77 | $0.43 | −76% |
节省来自于不需要重新发现工具链。一旦路径验证通过，后续任务直接复用——更少 API 调用、更少 Token、更低成本。
深层技能树不一定更好
SkillCraft 测试了层级式技能组合——技能内部继续调用其他技能来处理复杂任务。结果出人意料地清晰：
- 越深不一定越好：底层错误会向上层传导
- 一个边界条件处理不好，就可能拖垮整棵技能树
- 浅层、高质量的技能表现更优
现实意义： 当前阶段更务实的方向，是先把浅层、经过验证的高质量技能库做扎实——而非追求复杂的深层嵌套。
跨模型技能迁移
| 技能创建者 | 执行模型 | 结果 |
|---|---|---|
| Claude | 多个模型 | 稳定的高成功率 |
| GPT-5.2 | 多个模型 | 良好迁移 |
| 较弱模型 | 多个模型 | 不太稳定 |
关键发现： 强模型（特别是 Claude）创建的技能在不同执行模型间迁移效果好。技能质量比执行器更重要。
对 OpenClaw 生态的启示
SkillCraft 的核心思想——保存验证通过的工具链为可复用技能——直接映射到 OpenClaw 生态的技能库运作方式：
| SkillCraft 概念 | OpenClaw 对应 |
|---|---|
| 技能 = 验证通过的工具调用链 | SKILL.md = 专家编码的工作流 |
| 技能库 | ClawHub（6,300+ 技能） |
| 技能验证 | 社区审核 + 测试 |
| 跨模型迁移 | 技能兼容 Claude、GPT、Gemini |
区别：OpenClaw 技能目前是人工编写的。SkillCraft 展示了通向 Agent 自动创建技能的路径——Agent 自动创建、验证、贡献技能。
常见问题（FAQ）
Q1：这和微调有什么区别？
SkillCraft 不修改模型权重。技能是存储在库中的外部参数化模板，可以随时添加、删除或更新，无需重新训练。
Q2：技能复用总是有效吗？
不一定。低质量技能可能产生不稳定甚至负面结果。验证步骤至关重要——只有通过测试的技能才会被保存。
Q3：技能可以在不同 Agent 之间共享吗？
可以。SkillCraft 证明一个模型（如 Claude）创建的技能可以被不同模型使用，类似于 OpenClaw 的 SKILL.md 文件跨 Agent 工作。
总结
SkillCraft 证明 AI Agent 可以学会保存和复用成功的工具链——成本降低 76%，Token 减少 79%，成功率提升。这项研究验证了 OpenClaw 技能生态已经在实践的理念：结构化、经过验证的技能比一次性工具调用更有价值。下一个前沿是 Agent 自动创建技能——AI 自己生成可复用的能力。
基于 NextMed 微信公众号文章改编。论文：arXiv:2603.00718。