Local Agent Skill Construction Cloud-Local Collaboration SLM Enhancement
摘要

基于LLM的Agent框架常依赖云端闭源模型,存在隐私泄露和高成本问题。本地Agent虽能保护隐私,但受限于小模型规模,缺乏环境知识导致效果不佳。为此,本文提出SkillSmith,一种云-地协同框架,将“技能”作为上下文高效的知识载体。该框架利用云端Agent的任务探索自动构建技能,并通过本地Agent的执行反馈演化技能,从而增强冻结的本地模型。在AppWorld和WorkBench数据集上的实验表明,该方法使Qwen3.6-27B本地Agent的效果媲美云端大模型,显著减少平均动作数,并具备跨模型泛化能力。

AI 推荐理由

论文核心提出SkillSmith框架,通过自动构建和演化技能(Skill)来增强本地Agent,直接对应技能学习与工具使用机制。

研究机构
中国南方科技大学 AOE Tech Labs Ltd., Hong Kong
论文信息
作者 Xinle Jiang, Remy Xie, Ming Tang
发布日期 2026-08-08
arXiv ID 2608.08037
相关性评分 9/10 (高度相关)