浙大&美团SKILL0技术解读：Agent技能学进模型里，效果反超9.7%

浙大联合美团刚发了一篇Agent领域的重磅论文。现在所有Agent都在卷的技能检索，居然是限制模型能力的病根。

我们解读最新技术，文末有相关信息。

作者：张长旺，图源：旺知识

看完我才发现，真正的自主Agent，也可以不带技能说明书。

一、整个Agent行业，都陷在了“拐杖依赖”的死胡同里

现在主流的Agent技能增强方案，就像你考驾照，全程副驾坐着个教练，每一步都给你念操作手册：“打左转向灯，踩离合，挂一档”。

你能把车开走，但你根本没学会开车。教练一撤，你直接熄火。

这就是当下所有Agent方案的核心痛点，也是行业绕不开的三道坎：

第一，检索噪声致命。就像教练念错了步骤，你只会跟着错。检索到不相关的技能，会直接把模型的决策带偏，任务成功率直接跳水。

第二，token开销爆炸。每一步决策都要把技能手册塞进上下文，多轮对话下来，token成本滚雪球一样涨。比如行业标杆SkillRL，每步推理要花2.2k token，普通团队根本扛不住规模化落地的成本。

第三，也是最致命的：模型根本没学会技能，只是在照本宣科。

能力全在上下文的技能说明书里，根本没刻进模型参数里。推理的时候一撤技能，模型直接打回原形，和零基础的零样本模型没区别。

现在整个Agent行业，都陷在了“技能库越做越大，检索越做越复杂，模型却越来越离不开拐杖”的怪圈里。

而这篇SKILL0论文，直接把这个拐杖扔了，还让模型跑得更快更远。

二、SKILL0的核心创新：把技能从“说明书”变成“教学脚手架”

SKILL0的核心逻辑，完全复刻了人类学技能的完整过程：从照着说明书做，到慢慢熟练，最后不用想就能自主完成。

它的核心口号只有一句话：Skills at training, zero at inference. 训练带满技能，推理零技能依赖。

我把它的核心创新，拆解成三个关键点：

1. 上下文强化学习：逼着模型真学会，不是假看懂

先给大家补个常识：强化学习（RL），就是让AI通过试错，在环境里学会完成任务的方法。

之前的方案，要么全程不给技能，模型像无头苍蝇一样乱试，根本学不会复杂任务；要么全程给技能，模型只会照着念，永远形成不了自己的能力。

SKILL0做了一个颠覆性的设计：

训练的时候，给模型完整的技能上下文；但推理评估的时候，把所有技能全拿走。

整个强化学习的优化目标，从“照着技能把任务做完”，变成了“把技能内化成自己的能力，没了说明书也能把任务做好”。

就像练车的时候给你看操作手册，考试的时候必须闭卷。你只有真的把步骤刻进脑子里，才能通过考试。

2. 动态课程学习：最科学的“撤拐杖”方案

你可能会问：直接把技能全撤了，模型不会直接崩了吗？

这就是SKILL0设计最妙的地方——它不是生硬的“前半程给技能，后半程全拿走”，而是做了一套自适应的动态课程。

简单说，它会定期给每个技能做“摸底考试”：

在验证任务里，分别测模型“带这个技能”和“不带这个技能”的表现差距。

如果差距为0，说明模型已经完全掌握了这个技能，立刻把它从上下文里删掉；

如果差距还很大，说明模型还没学会，就再留一段时间，继续教学。

直到最后，所有技能全被撤掉，模型完全进入零技能推理状态。

论文里的消融实验直接证明：固定全程给技能的模型，一旦撤掉技能，效果直接暴跌13.3%；而用这套动态课程的模型，撤掉技能之后，效果反而还涨了1.6%。

说白了，它完美避开了“技能依赖”的坑，让模型真正完成了从“照着做”到“自己会”的内化。

3. 视觉上下文压缩：把token成本打到底

除了技能内化，SKILL0还解决了长上下文的token开销难题。

它把交互历史和技能内容，渲染成一张紧凑的RGB图片，用视觉编码器压缩成向量，再喂给模型。

就像把厚厚的一本说明书，缩成了一张一目了然的思维导图，既保留了所有关键信息，又把token开销砍到了极致。

三、最反常识的实验结果：没了技能，模型反而更强了

所有数据都来自论文的公开实验，Skill0全程零技能推理：

• ALFWorld家居机器人任务：3B模型的SKILL0，平均成功率87.9%，比标准RL基线AgentOCR直接高了9.7%，甚至比全程带技能的SkillRL（82.4%）还要强。

• Search-QA搜索问答任务：同样3B模型，平均分40.8%，比AgentOCR高了6.6%，和带技能的SkillRL打平甚至反超。

• 7B模型效果直接碾压闭源大模型：在ALFWorld任务上，SKILL0零技能推理做到了**89.8%**的成功率，远超GPT-4o（48.0%）和Gemini-2.5-Pro（60.3%）。

但让我最关注的，还不是效果反超，而是它的极致token效率。

3B模型的SKILL0，每步推理的上下文token开销：

• ALFWorld任务仅0.38k，比SkillRL的2.21k，省了5倍还多；

• Search-QA任务仅0.18k，比SkillRL的0.87k，同样省了近5倍。

全程把单步token控制在0.5k以内，这是什么概念？

意味着Agent规模化落地的推理成本，直接被打了个2折，之前用不起的中小团队，现在也能玩得转了。

更有意思的是训练曲线：

训练初期，带技能的模型效果涨得飞快，不带技能的效果拉胯；但随着训练推进，不带技能的效果慢慢追了上来，最后甚至反超。

这就是实打实的技能内化——模型真的把技能刻进了参数里，不是临时抱佛脚。

四、底层逻辑：为什么扔了拐杖，反而走得更远？

回到最开始学车的类比。为什么教练全程念步骤，你永远学不会开车？

因为你的注意力全在听指令上，根本没去思考“为什么要打这个方向”“什么时候该踩离合”，大脑根本没形成自己的肌肉记忆。

而SKILL0的训练方式，是逼着模型去思考：“技能里的步骤，到底是怎么解决问题的？下次没了说明书，我该怎么做？”

之前的所有技能增强方案，都把技能当成了“推理时必须带的必需品”，而SKILL0把技能变成了“训练时用的教学脚手架”。

脚手架是帮你盖楼的，楼盖好了，脚手架必须拆掉，才能看到完整的建筑。

而之前的行业方案，都是把脚手架焊在了楼上，楼永远盖不完，模型永远成不了真正的自主智能。

这就是SKILL0效果反超的本质：

它把模型从“照着技能做决策”的机械执行，解放了出来，逼着模型把外部的程序性知识，内化成了自己的参数能力。

最终实现了：没了外部依赖，反而有了更强的自主决策能力。

五、工程落地：这不是纸上谈兵，是Agent规模化的破局点

很多学术论文好看不好用，但SKILL0不一样，它直接解决了现在Agent落地的三大死穴：

第一，推理成本直接打骨折。

现在Agent落地最大的门槛，就是多轮对话的token成本居高不下。SKILL0把单步token控制在0.5k以内，规模化落地的成本直接降80%以上，普通团队也能扛得住。

第二，从根源上解决了检索噪声问题。

现在技能库越大，检索越容易出错，一个错误的技能直接把Agent带偏，稳定性极差。SKILL0推理的时候根本不用检索技能库，从根源上优化了检索噪声，Agent的稳定性显著提高。

第三，真正的离线自主Agent成为可能。

之前的Agent，没了技能库、没了网络检索，就是个废物，根本没法在嵌入式、离线低资源场景落地。SKILL0把技能内化进模型，单模型就具备完整的任务能力，不用依赖任何外部组件，落地场景直接拓宽了一个量级。

更关键的是，它的落地门槛极低。

论文里用的是开源的Qwen2.5-VL 3B/7B模型，4张H800显卡，最多180步训练就能完成，中小团队完全可以复现和落地，不是只有大厂能玩的黑科技。

结尾

这篇论文最核心的价值，不是提出了一个新的RL框架，而是彻底重构了Agent技能的核心范式。

从“推理时技能增强”，转向“训练时技能内化”。

它打破了整个行业对“Agent必须带技能库”的固有认知，让Agent从“照着说明书操作的工具人”，真正走向了“具备自主能力的智能体”。

其实不止是AI，我们每个人学东西，都是这个道理。

永远照着PPT念的人，永远成不了好讲师；永远看着菜谱做饭的人，永远成不了好厨师；永远依赖外部工具的人，永远练不出自己的真本事。

真正的成长，从来都是把外部的知识，内化成自己的能力，而不是永远做知识的搬运工。

带说明书的，永远是工具；把说明书刻进骨子里的，才是智能。

参考资料

• SKILL0: Skill Internalization via In-Context Reinforcement Learning for Zero-Shot Autonomous Agents, https://arxiv.org/pdf/2604.02268