你有沒有遇到過這種情況：請了一個特別厲害的老師來輔導，老師講得頭頭是道，可你回去做題還是不會。問題出在哪兒？
有一種可能是，老師講的是"我是怎麼想到這個解法的"，而你需要的是"你到底哪裡想錯了"。這是兩件完全不同的事情。
這正是當下 AI 智能體（能自己完成多步驟任務的大模型程序）領域裡一個挺尷尬的現狀。研究者們發現，讓一個能力較弱的 AI 智能體變強，光靠給它看"標準答案"或者"它自己的錯題本"，效果都不太好。2026年8月，一篇叫做《SKILL-KD》的論文提出了一個新思路：與其單獨看學生做錯了什麼，或者單獨看老師做對了什麼,不如把兩者放在一起對比,專門找出"學生和老師之間那個具體的、能落地的差距"，然後把這個差距變成一條可執行的規則，交給學生用。
這篇論文來自浙江大學、北京大學和阿里巴巴的聯合團隊，題目直譯過來是"技能知識蒸餾"，聽起來有點繞，我們慢慢拆開講。
先搞清楚：這裡說的"技能"到底是什麼
在這篇論文的語境裡，AI 智能體（agent）：能夠自主進行多步驟推理、調用工具、與環境交互來完成任務的大模型系統，比如能自己上網搜索、操作表格、玩文字遊戲的 AI 程序
不是靠單次問答解決問題的，而是需要走很多步：搜索資料、調用工具、拆解任務、檢查中間結果對不對。這些"怎麼走這幾步"的套路，就是論文裡說的技能（skill）：可復用的、用文字描述的操作規則，比如"當表格里出現貨幣符號時，先解析成數字再計算"，這類規則不需要重新訓練模型，只需要寫進提示詞裡給模型看
技能這個東西一直是 AI 智能體研究的熱門方向。此前的做法大體分兩條路：一條是讓智能體自己復盤，把自己走過的彎路總結成經驗，存到一個"記憶庫"里，下次遇到類似問題就翻出來看；另一條是找一個更強的模型做示範，把強模型的成功案例總結成技能，直接餵給弱模型用。
這兩條路聽起來都挺合理，但論文作者指出了一個容易被忽略的問題。
核心問題：證據不等於答案
先說第一條路，讓智能體自己總結失敗經驗。這裡有個邏輯漏洞。
如果一個學生做錯了一道題，僅僅盯著這道錯題看，能看出"哪裡錯了"，但不一定能看出"應該怎麼做才對"。論文原話是，失敗的軌跡可能顯示智能體走錯了哪一步，但不會揭示是什麼缺失的知識或策略本來能帶來正確的那一步。
舉個具體的例子想像一下。假設一個學生解方程解錯了，卷子上寫著"移項時符號弄反了"。這句話是對的，但它只告訴你"你錯在哪兒"，沒有告訴你"移項到底該怎麼處理符號"這個更深層的規則。真正缺的知識點，可能壓根不會在錯題卷面上體現出來，因為學生自己就不知道這個知識點存在，又怎麼能在總結里寫出來呢？
這就是為什麼論文說自我復盤存在天花板：它能發現的問題，永遠局限於"學生已經能意識到的問題"，那些學生根本沒意識到自己不會的東西，是復盤不出來的。
再看第二條路，直接照抄強模型的示範。這條路的問題在於"太implicit"，也就是太隱晦了。
一份優秀的解題過程，對寫這份過程的強模型來說是順理成章的，因為它有足夠的知識儲備去支撐每一步的跳躍。但如果直接把這份過程原封不動地總結成一條規則給弱模型看，弱模型可能壓根接不住,因為規則要麼寫得太抽象套不上具體情況,要麼隱含了弱模型根本不具備的前置知識。
這就好比讓一個剛學做飯的新手看米其林大廚的菜譜影片。大廚輕描淡寫地說一句"炒到差不多就行"，這句話對大廚來說是幾十年手感的濃縮，可對新手來說完全是一句空話,因為"差不多"這個判斷標準,新手壓根沒有建立起來。如果不去彌合這個差距,直接把大廚的做法抄給新手,新手大概率還是做不出那道菜。
論文管這個現象叫做"隱式的教師示範"（teacher trajectory may be too implicit to be internalized）。
那要怎麼辦：把"對比"本身當成學習材料
SKILL-KD 的思路是,既然單看學生的錯、單看老師的對都不夠,那就把兩條軌跡放在一起比。
具體流程是這樣的。給定一個任務，先讓學生模型（論文裡叫 student，能力較弱、參數被凍結不做訓練的那個模型）自己去做一遍。
凍結（frozen）：指模型的參數在整個過程中不發生任何更新，不做微調、不做強化學習訓練，唯一改變的是餵給它的提示詞內容
如果學生做對了，這事兒就翻篇了，不需要任何操作。如果學生做錯了，系統會讓教師模型（teacher，能力更強的那個模型）去做同一個任務，產出一條對照軌跡。
接下來就是關鍵的一步：不是把教師的軌跡直接總結成規則塞給學生，而是引入一個叫做"整合智能體"（consolidation agent）的角色，讓它把學生的失敗軌跡和教師的成功軌跡放在一起對比，專門去找兩者之間那個"能落地的差距"（actionable discrepancy），然後把這個差距濃縮成一條文字形式的技能補丁（skill patch）。
這裡有個細節挺有意思：論文特意強調,教師模型也不一定每次都能做對。就算教師這次也失敗了,對比兩條都失敗的軌跡依然有價值,因為可以看出兩者在哪一步開始分道揚鑣,這個分叉點本身就是有用的資訊。數據顯示,在學生失敗的案例里,教師只有 46.1% 的情況下能成功,但即便教師失敗,仍然有 38.5% 的被採納補丁是從教師失敗的軌跡里提煉出來的。這說明整合智能體真正關心的不是"誰做對了"，而是"哪裡出現了有意義的分歧"。
光有補丁不夠，還得驗證補丁真的有效
這裡論文提出了整篇工作里我覺得最巧妙的一個設計：自適應技能蒸餾（Adaptive Skill Distillation）。
補丁寫出來之後，不能想當然地認為它就是對的，得拿去讓學生重新做一遍這個任務，看看學生這次能不能做對。
如果學生做對了，這條補丁就正式收編進技能庫。如果學生還是做錯，整合智能體會看著學生這次新的失敗軌跡，重新寫一版補丁，再讓學生試一次。這個過程最多循環 n 輪（論文裡默認設為 3 輪）。
這個設計背後的邏輯其實很樸素：一條規則寫得好不好，光靠人（或者另一個模型）拍腦袋判斷是不夠的，唯一可靠的檢驗方式是讓真正要用它的那個人去試一遍。
這就像教練教一個新手學游泳。教練示範了一遍蛙泳的動作要領，講得清清楚楚，可這不代表新手聽完就能游起來。真正可靠的做法是讓新手下水試一次，教練站在旁邊看他哪裡做得不對，再針對性地調整講解方式，再試一次。如果教練只是講完就假定學生學會了，從不下水看效果，那這套教學方法的可靠性完全無從談起。
論文用實驗數字驗證了這個循環的價值。在 Group 1 的設置下（學生模型是 Qwen3.5-4B，教師模型是 Qwen3.7-plus），第 0 輪（也就是學生第一次自己嘗試，還沒用上任何補丁）的訓練集平均成功率是 58.9%，經過第一輪補丁驗證之後直接跳到 67.7%，提升了近 9 個百分點。這說明"讓學生試一次再看效果"這一步貢獻了絕大部分的改進，後面第二輪、第三輪的提升就明顯放緩了，分別是 70.8% 和 72.7%。這符合邊際收益遞減的規律：大部分能解決的問題，第一次校準就能搞定，剩下的都是難啃的骨頭，需要更多輪次的打磨。
技能庫越用越亂怎麼辦：防漂移的整合機制
講到這裡還有一個問題沒解決。如果每次失敗都生成一條新補丁，久而久之，這個技能庫會變成什麼樣子？
論文給出的答案是：會變得又臭又長，還可能自相矛盾。這個現象論文裡叫做技能漂移（skill drift）：指技能庫隨著不斷打補丁逐漸變得冗餘、局部過擬合，或者新補丁覆蓋掉了舊補丁里本來有用的內容，導致整體質量下降而不是提升
論文具體拆解出了三種漂移的表現形式，讀起來都挺真實。
第一種叫"案例特定漂移"（case-specific drift）。舉個例子，在 DocVQA（一個從文檔圖片裡讀取資訊回答問題的任務）里，有一條關於"數字要不要帶單位"的規則，被反覆修改：先是遇到"10毫克"這種情況就加上單位，後來遇到問題里已經寫明了單位（比如"多少千克"）就改成去掉單位，再後來遇到貨幣又改一版。每次修改單獨看都合理，但問題是,如果整合智能體看不到這條規則之前經歷過哪些具體案例,它就只能根據眼前這一個新案例去調整邊界，邊界就會像牆頭草一樣跟著最後一個案例搖擺。
第二種叫"技能膨脹漂移"（skill-bloat drift）。在 SpreadsheetBench（表格操作任務）里，如果整合智能體看不到歷史證據，最後攢出來的技能庫會有 50 條規則、2930 個單詞，裡面充斥著諸如"處理 P6:Q6 這個單元格"這種極度具體、只對這一次任務有用的補丁。這些補丁單獨看都沒錯，但堆在一起，庫就變得又大又難用。
第三種叫"破壞性更新漂移"（destructive-update drift）。這種更隱蔽：一條早先記錄了"如何解析貨幣、如何做分層計算限額"的具體規則，後來被一條新補丁的措辭悄悄替換掉了，新補丁強調"要寫可執行代碼而不是偽代碼"，這個新要求本身沒錯，但它把原本記錄著具體計算邏輯的老規則給沖淡了，等於好心辦了壞事。
面對這三種漂移，SKILL-KD 的解法是給技能庫配一本"帶證據鏈的修改日誌"，也就是漂移感知的技能整合（Drift-Aware Skill Consolidation）：不只記錄每條技能規則的當前內容，還完整保留每一次修改的操作類型（新增、修改、刪除還是跳過）、修改理由，以及這次修改是基於哪幾條具體的師生對比軌跡做出的
這個機制配了兩個工具給整合智能體用：一個是"追溯鏈接工具"，可以隨時把某條歷史規則背後的原始對話記錄調出來重新看；另一個是"打補丁工具"，用來正式執行新增、修改、刪除或跳過的操作。
這套機制運作起來，有點像一個經驗豐富的病歷管理員。普通的病歷系統可能只記錄"病人現在吃什麼藥"，但一個好的病歷管理員會保留完整的既往病史：這個藥是什麼時候加的、當時是為了治什麼症狀、後來症狀變化了沒有。如果醫生要調整用藥方案，不看既往病史，直接根據眼前這次複診的症狀拍腦袋改藥，很容易把之前控制得好好的另一個病症給耽誤了。有了完整病史做支撐，醫生才能判斷這次調整是真的該改，還是僅僅針對這一次的偶然情況。
論文用一個消融實驗驗證了這套機制的價值。去掉編輯日誌和追溯鏈接這兩個組件之後（也就是只留下打補丁的動作，但看不到歷史），在 SpreadsheetBench 上的分數從完整版的 24.3 掉到 14.6，在 LiveMath（數學推理任務）上從 54.8 掉到 27.4，幾乎腰斬。這說明"記得住來龍去脈"這件事，不是錦上添花，而是決定這套系統能不能長期穩定運作的關鍵。
實測效果：五個任務，兩組師生搭配
論文在五個基準測試上做了驗證，覆蓋面還挺廣：SearchQA（基於搜索的問答）、SpreadsheetBench（表格操作）、DocVQA（文檔圖片問答）、LiveMath（數學推理）、ALFWorld（虛擬環境裡的具身交互任務，比如"把蘋果放進冰箱"這種指令）。
師生搭配設置了兩組。第一組是"同門師兄弟"式的搭配：學生是 Qwen3.5-4B，教師是 Qwen3.7-plus，都屬於通義千問家族，架構和訓練風格比較接近。第二組是"跨門派"搭配：學生是 Qwen3.6-35B-A3B，教師是 ChatGPT-5.5，兩者來自完全不同的模型家族，分詞器、預訓練數據、行為習慣都不一樣。
結果如下表所示（分數是百分比，數字越高越好）：
| 方法 | SearchQA | SpreadsheetBench | DocVQA | LiveMath | ALFWorld | 平均 |
|---|---|---|---|---|---|---|
| 學生自己（無技能） | 68.1 | 9.3 | 86.9 | 22.4 | 30.6 | 43.5 |
| EvoSkill | 68.6 | 17.9 | 79.7 | 23.4 | 67.9 | 51.5 |
| Trace2Skill | 68.5 | 19.3 | 88.0 | 27.2 | 64.9 | 53.6 |
| SkillGen | 69.2 | 13.2 | 88.8 | 21.0 | 70.1 | 52.5 |
| SkillOpt | 71.2 | 23.9 | 89.0 | 52.0 | 81.3 | 63.5 |
| **SKILL-KD** | **79.2** | **24.3** | **89.3** | **54.8** | **86.6** | **66.8** |
（這是第一組，學生 Qwen3.5-4B、教師 Qwen3.7-plus 的結果）
在第二組（學生 Qwen3.6-35B-A3B、教師 ChatGPT-5.5）里，SKILL-KD 的平均分是 74.6，同樣是所有方法裡最高的，比排第二的 SkillOpt（68.6）高出 6 個百分點。
值得單獨說一下 ALFWorld 這個任務上的結果。這個任務的測試集用的是訓練時完全沒見過的新環境，相當於一個"舉一反三"的考驗。SKILL-KD 讓 4B 學生模型的分數從 30.6 飆升到 86.6，提升了整整 56 個百分點。這麼大的提升幅度，說明學出來的技能規則確實是可遷移的通用套路（比如"先找到目標物體，再找加熱設備，再放置"這種模式），而不是死記硬背某個具體房間裡東西擺在哪兒。
拿另一組數字來對比感受一下這個提升有多大：無技能狀態下，學生模型平均每做 10 個 ALFWorld 任務只能做對 3 個；用上 SKILL-KD 之後，10 個任務里能做對將近 9 個。這意味著原本走 3 步就迷路的智能體，學會了一整套"先幹嘛後幹嘛"的行動策略。
拆開揉碎地看：到底是哪個環節在起作用
論文還做了幾組細緻的消融實驗，專門回答"這套系統里每個模組到底貢獻了多少"這個問題。
第一組對比了不同的技能獲取方式：只用教師軌跡（Teacher-only）、只用學生失敗軌跡（Student-only）、只做一次對比不做疊代（Pairwise）、把多條軌跡打包一起處理（Batch）。結果發現，只用教師軌跡這種做法平均分只有 58.3，是所有方案里最差的，恰好印證了前面說的道理：光看強模型怎麼做，不結合弱模型具體錯在哪兒，轉化出來的規則往往對不上號。
| 方法 | 平均分 | 相對提升 | 規則總數 | 詞數總量 |
|---|---|---|---|---|
| 無技能 | 43.5 | +0.0 | 0 | 0 |
| 只用學生軌跡 | 60.1 | +16.6 | 96 | 6821 |
| 只用教師軌跡 | 58.3 | +14.8 | 80 | 5683 |
| 打包處理 | 59.4 | +15.9 | 46 | 3849 |
| 單次對比不疊代 | 59.0 | +15.5 | 85 | 6966 |
| **完整 SKILL-KD** | **66.8** | **+23.4** | **38** | **3010** |
這張表最有意思的地方在於最後兩列。完整版的 SKILL-KD 用了最少的規則數（38條）、最少的詞數（3010詞），卻拿到了最高的分數。這說明這套系統不是靠"堆規則"取勝，而是真正找到了少而精的關鍵規則，反而是那些沒有經過充分驗證的方法，攢出來一堆又長又亂的規則，效果還不如精簡版。
這就好比整理書架。一種做法是把家裡所有看過的書全塞進書架，越堆越多，但真正要用的時候翻半天找不到；另一種做法是定期篩選，只留下真正常翻的那幾十本，擺放清晰。表面上書少了，但找書的效率和實際用處反而更高。SKILL-KD 走的就是後一條路,它不追求技能條數越多越好，追求的是每條技能都被驗證過、都確實有用。
寫在後面
讀完這篇論文，最讓我意外的一個數據點是那個 46.1%：教師模型在學生失敗的題目上，自己也只能做對不到一半。這其實推翻了一個我下意識的假設,我一直以為"教師蒸餾學生"這套框架默認教師是全知全能的裁判，實際上教師也會犯錯，而這篇論文完全接納了這一點，甚至把教師的失敗軌跡也當成有效素材來用。這是一個挺務實的設計，承認了強模型也有邊界，學習信號不來自於"誰絕對正確"，而來自於"兩者的分歧點在哪"。
另一個值得單拎出來的細節是那三種技能漂移的分類,案例特定漂移、技能膨脹漂移、破壞性更新漂移。這套分類框架其實可以套用到很多"知識積累系統"上,不只是 AI 技能庫，公司內部的 wiki 文檔、團隊的最佳實踐手冊，甚至個人的讀書筆記系統，長期不加整理都會滑向這三種病態。這篇論文提供的解法（保留證據鏈、追溯歷史再決策）算是給這類通病開了一張具體的處方。
論文沒有回答的一個問題是：當技能庫積累到成百上千條規則、無法整個塞進提示詞的時候該怎麼辦。目前的做法是把整個技能文件都餵給模型看，這在規則量不大的時候沒問題，但如果規模繼續擴大，檢索和路由的問題遲早會浮現。這大概是留給後續工作的一個明確方向。
Q&A
Q1：SKILL-KD 和之前的技能學習方法最大的區別是什麼？
A：之前的方法要麼只從學生自己的失敗經驗里總結教訓，要麼直接照搬教師模型的成功示範，SKILL-KD 的核心區別在於它專門對比學生失敗軌跡和教師軌跡之間的差距，把這個"能落地的差距"提煉成技能補丁，而且會反覆用學生模型重新測試這條補丁是否真的有效，無效就繼續修改，而不是一次性總結完就算數。
Q2：SKILL-KD 需要重新訓練模型嗎？
A：不需要。SKILL-KD 全程不改動學生模型的參數，學生模型是完全凍結的，所有的改進都通過在提示詞裡追加一份文字形式的技能庫來實現，這也是它能在不同模型家族之間（比如通義千問和 ChatGPT）通用的原因，因為它不依賴模型內部的權重結構。
Q3：技能庫會不會越用越亂，越加規則效果越差？
A：這正是論文重點解決的問題，叫做技能漂移。SKILL-KD 用一套帶證據鏈的編輯日誌機制來應對，每條技能修改都會記錄背後的具體案例和修改理由，整合智能體在做新的修改決策時會先回溯歷史證據，判斷該新增、修改、刪除還是直接跳過，這樣技能庫能保持精簡但依然有效，實驗中完整版本用了最少的規則數卻拿到了最高分數。
