清华搞了个Skill-RAG，又把RAG吹醒了

程序员小猴紫

285人浏览 · 2026-06-01 22:08:15

程序员小猴紫 · 2026-06-01 22:08:15 发布

先说结论：当 Agent 的技能库从几十个膨胀到百万级别，真正的瓶颈不是"能不能检索到对的技能"，而是 LLM 根本不知道自己什么时候需要外部帮助。

技能库正在爆炸式增长

AI Agent 的能力越来越依赖外部技能。OpenClaw 通过 SKILL.md 加载能力，OpenAI 和 Anthropic 也在 prompt 里枚举可用工具。这种"把技能列在 prompt 里让模型自己选"的方式，在技能数量少的时候没问题。

但现在技能生态正在爆炸。截至 2026 年 4 月，SkillsMP 平台上已有超过 100 万个独立技能。OpenClaw 的 ClawHub 也在持续增长。

把 100 万个技能的描述塞进上下文窗口？不可能。即使压缩成摘要，数量多了模型也选不准。

这篇论文要回答的问题就是：当技能库大到不能全部放进 prompt 时，Agent 该怎么"按需"获取和使用技能？

SRA：技能检索增强

论文提出了 Skill Retrieval Augmentation（SRA），一个新范式。它的思路和 RAG 类似——都是从外部语料中检索相关内容——但有一个本质区别：

	经典 RAG	SRA
检索对象	陈述性知识（文档、段落）	可执行能力包（技能）
目的	辅助生成，提供证据	扩展功能，增强能力
评估标准	语义相关性	下游效用：加载了吗？用对了吗？任务变好了吗？

在经典 RAG 里，检索到的文档只要有相关性就有价值。但在 SRA 里，检索到了正确的技能只是第一步——模型还必须判断是否需要用、选择用哪个、正确地执行。

论文把这个过程拆成了三个阶段：

技能检索（Skill Retrieval）：从大规模技能语料中找到与当前任务相关的技能
技能加载（Skill Incorporation）：判断检索到的候选技能中哪些值得加载，以什么形式加载
技能应用（Skill Application）：在实际任务中正确使用已加载的技能

第一个技能检索分解评估基准

为了研究这个问题，论文构建了 SRA-Bench，第一个支持分解评估的技能检索基准。

数据规模：

5,400 个测试实例，来自 6 个能力密集型数据集（TheoremQA、LogicBench、ToolQA、MedCalc-Bench、CHAMP、BigCodeBench）
636 个手工构建的 gold skill（LLM 起草 + 专家修订，确保通用性、正确性、无数据泄露）
混合 25,626 个从网上收集的噪声技能，构成 26,262 规模的技能语料
Gold skill 仅占 2.4%——模拟真实场景中"有价值的技能是稀疏的"

三阶段分解评估：不仅能看最终任务有没有做对，还能独立诊断"检索有没有找对"、“加载有没有选对”、“应用有没有用对”。

三种技能使用策略对比

论文比较了三种从检索到使用的方式：

Full-Skill Injection：把 top-1 检索到的技能全文直接注入 prompt。最简单粗暴。

LLM Selection：先检索 top-50，只展示每个技能的名称和描述，让模型选一个，再注入全文。

Progressive Disclosure：类似 OpenClaw 的 SKILL.md 机制——模型看到一个精简的技能目录，可以在推理过程中按需加载某个技能的全文。

结论很有启发性：LLM Selection 是当前最稳定可靠的策略。它在大多数模型和数据集上都比 Progressive Disclosure 效果更好，而且很多时候能大幅缩小与 Oracle（直接给正确答案）的差距。

Progressive Disclosure 看起来最"理性"——让模型自己决定要不要用——但实际上它最不稳定。原因正是论文最核心的发现。

关键发现

论文通过 6 个研究问题系统分析了 SRA 管线，其中 RQ5 和 RQ6 揭示了一个被严重忽视的问题。

发现一：检索到了正确技能，加载率不升

无论检索结果中是否包含 gold skill（正确答案），LLM 加载技能的概率几乎相同。

这意味着模型分不清"检索结果里有好东西"和"检索结果全是噪声"。即使检索系统已经完美地把正确技能放在候选列表里，模型也不会因此更倾向于加载它。

发现二：需要帮助的任务和不需要的任务，加载率一样

模型在"自己就能做的任务"和"必须靠外部技能才能做的任务"上，加载技能的概率也几乎相同。

这暴露了一个根本性的能力缺失：LLM 缺乏"需求感知"（need-awareness）。 一个理性的 Agent 应该在遇到超出自身能力的任务时更积极地寻求外部帮助，在自身能力足够时保持克制。但当前模型完全不具备这种判断力。

发现三：行为高度依赖模型，与模型大小无关

不同模型展现出完全不同的技能加载行为，而且没有"模型越大越理性"的单调趋势。小模型和大模型都可能在判断"要不要用技能"上犯同样的错。

检索方法也能用，但远未解决

在检索层面，论文测试了 BM25、TF-IDF、BGE、Contriever 以及混合方法和 LLM 重排序。

几个结论：

稀疏和密集检索互补——BM25 在技能名称术语匹配上强，BGE 在语义相似度上强
LLM 重排序是最强的检索策略——给定 top-50 候选，让 LLM 重新排序能显著提升质量。这说明技能检索不仅需要"主题相关性"，还需要判断"这个技能是不是当前任务的可用方案"
检索质量提升能传导到下游任务，但增益被加载行为衰减——更好的检索确实带来更好的最终结果，但增益被模型"不管三七二十一随便加载"的行为稀释了

最后

我在一线科技企业深耕十二载，见证过太多因技术更迭而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

✅AI大模型学习路线图
✅Agent行业报告
✅100集大模型视频教程
✅大模型书籍PDF
✅DeepSeek教程
✅AI产品经理入门资料

完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

在这里插入图片描述

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

在这里插入图片描述

资料包有什么？

①从入门到精通的全套视频教程⑤⑥

包含提示词工程、RAG、Agent等技术点
在这里插入图片描述

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

在这里插入图片描述

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

在这里插入图片描述

④各大厂大模型面试题目详解

在这里插入图片描述

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

在这里插入图片描述