https://arxiv.org/abs/2603.02766
论文《EvoSkill: Automated Skill Discovery for Multi-Agent Systems》 由 Salaheddin Alzubi、Noah Provenzano、Jaydon Bingham、Weiyuan Chen 和 Tu Vu 等人合作撰写。它提出了一种名为 EvoSkill 的自进化框架，旨在解决当前多智能体系统中“能力构建”与“专业领域知识（Domain Expertise）获取”的核心难题。
以下是对该论文核心内容的详细分析：
- 研究背景与核心痛点
当前的代码智能体和通用大型语言模型（LLM）虽然具备极高的灵活性，但在处理特定领域的垂直任务时，往往缺乏深度的领域专业知识。为了弥补这一差距，业界通常采用以下两种方法，但均存在明显的局限性：
手动编写技能（Hand-crafted skills）：由开发者为智能体手动构建复杂的工作流或辅助代码，成本极高且难以规模化扩展。
底层提示词/代码优化：如 GEPA 或 AlphaEvolve 等框架，主要针对底层的 Prompt 或零散代码进行迭代。这类方法生成的产物可解释性差，且往往与特定任务或特定模型高度耦合，难以在不同场景中复用。
为此，作者提出应当在“技能抽象（Skill Abstraction）”这一更高层面上进行自动发现与优化。
- EvoSkill 框架的工作原理
EvoSkill 的核心在于基于“失败驱动的文本反馈（Failure-driven textual feedback）”机制进行自动化的技能迭代。在这个过程中，底层的
