经验造就熟练：通过自进化技能记忆实现可泛化的医疗 Agent 推理

医疗 Agent 系统需支持交互式临床决策，但现有记忆机制常保留冗余噪声且难辨有用性，限制了长程推理能力。为此，本文提出 SkeMex，一种部署后自进化框架，无需更新模型权重即可通过基于技能的记忆提升 Agent 性能。该框架将交互轨迹提炼为结构化技能，构建涵盖通用、任务特定及动作层级的多分支记忆库。SkeMex 利用环境反馈评估上下文依赖效用，指导价值感知检索与记忆库治理，并通过“读 - 写 - 评 - 管”闭环生命周期实现持续进化。实验表明，其在多种临床任务中优于现有基于记忆的 Agent，具备跨模型泛化与技能迁移能力。