SkillSpec：通过表示专门化实现共识门控的智能体技能演化

基于摘要分析。本文研究 LLM 智能体如何在不更新模型权重的情况下，优化作为文本式程序记忆的自然语言技能。SkillSpec 将“保留什么知识”与“如何组织知识以供检索和执行”拆分为共识门控演化和表示专门化两个阶段，而非仅将技能视为依赖总体验证分数优化的单体文档。 在共识门控阶段，互补的编辑意图生成完整候选技能；只有配对评估同时满足相对当前技能总体改进、且任何单次评估运行均无性能退化时，候选技能才被接受为更新。这一机制将文本修改的采纳与执行证据绑定，但门控结论仍受所用评估任务和运行覆盖范围约束，不能等同于对所有任务均无退化的保证。 在表示专门化阶段，框架利用优化轨迹中反映过程敏感性与冗余敏感性的信号，选择平面、图或混合表示，同时将已验证的技能主干保留为不可变的谱系来源。其核心区别是：先验证知识内容，再调整知识组织方式。摘要未展开敏感性信号的计算方法、结构选择规则及不同表示的执行细节。 作者报告，在六个基准和若干前沿语言模型上，相较既有最先进技能优化方法，平均成功率提升 4.8%；摘要未明确该数值指相对增幅还是百分点差异，不能擅自换算。具体基准、模型、数据划分、配对评估次数、计算成本、消融及统计信息尚未验证。 本文主要对象是 LLM 智能体的文本技能记忆与执行，不是 EEG 表征学习或 BCI 解码；现有材料不足以建立其与神经信号处理瓶颈的具体机制对应，因此不据此推导 BCI 有效性或提出迁移实验。