SLIM：动态技能生命周期管理框架提升智能体强化学习效果
精选理由
该方法突破了传统假设中技能集单调积累的限制，为智能体在资源受限下动态调整技能提供了理论框架，对提升AI智能体在复杂任务中的效率有重要参考价值。
本文提出SLIM框架，针对大语言模型智能体在复杂任务中依赖外部技能的问题，将主动外部技能集视作动态优化变量，与策略学习联合更新。
正文
SLIM通过留一技能验证评估边际贡献，实施保留高价值技能、退休低贡献技能及扩展技能库三种生命周期操作。在ALFWorld和SearchQA基准测试中，SLIM平均比最佳基线高7.
1个百分点，表明策略学习与外部技能保留并非互斥。该工作为基于技能的智能体强化学习提供了更通用的范式。
产业坐标与信源核验
本条情报归属 AITOP「论文」核心追踪栏目。涉及核心实体与技术议题包括：智能体、强化学习、技能管理、动态优化，读者可通过下方标签进入对应专题页查阅历史脉络与关联对比。
信源核验说明：本文原始线索采编自「arXiv cs.LG」（@Junhao Shen, Teng Zhang, Xiaoyan Zhao, Hong Cheng），经 AITOP 多维评分管线结构化提炼。
