论文Skill 自进化AutoSkill: Experience-Driven Lifelong Learning via Skill Self-EvolutionAutoSkill 提出一种面向 LLM Agent 的经验驱动终身学习框架：系统不再只把跨会话偏好保存为原始记忆，而是从对话与交互轨迹中抽取可复用行为，沉淀为标准化、可编辑、可版本化的 SKILL.md 工件。AutoSkill 覆盖技能抽取、结构化表示、混合检索、推理时注入、实时演化、版本合并和存储部署等完整生命周期，使 Agent 能在不重训底座模型的情况下持续积累用户偏好、写作风格、工具流程和领域操作规范。论文还基于 WildChat-1M 构建四个 SkillBank 子集，展示从真实中英文对话中抽取 1858 个技能的规模、类别分布、标签分布和版本演化案例。打开资源
论文Skill 自进化SkillRouter: Skill Routing for LLM Agents at ScaleSkillRouter 研究大规模 skill 注册表中的上游路由问题：当 Agent 只能看到少量候选 skill 时，系统必须先从约 8 万个高度重叠的 skill 中找出真正相关的条目。论文发现，只使用 name+description 会让 BM25、embedding 检索和 rerank pipeline 的路由准确率下降 31 到 44 个百分点，说明完整 skill body 是关键召回信号。基于这一发现，作者提出 0.6B bi-encoder + 0.6B cross-encoder reranker 的全正文 retrieve-and-rerank pipeline，并通过假负例过滤、困难负样本挖掘和 listwise reranking loss，在核心 benchmark 上达到 74.0% Hit@1，同时比最强 16B base pipeline 参数少 13 倍、延迟低 5.8 倍。打开资源
论文Agent 架构AFlow: Automating Agentic Workflow GenerationAFlow 将 agentic workflow 优化建模为代码表示工作流空间中的搜索问题，并使用蒙特卡洛树搜索结合执行反馈自动发现高性能工作流。在六个基准上，AFlow 相比手工方法平均提升 5.7%，相比自动 workflow 优化方法提升 19.5%。打开资源
论文Agent 架构Flow: Modularized Agentic Workflow AutomationFlow 将多智能体任务执行流程表示为 Activity-on-Vertex 图，用并行度和依赖复杂度筛选初始 workflow，并在执行过程中根据子任务状态、历史数据和失败信号动态更新任务图。论文强调模块化设计，让子任务尽量并行且降低依赖集中度，从而提升效率、容错性和可维护性；在 Gobang 游戏开发、LaTeX Beamer 写作和网站设计任务中，Flow 相比 AutoGen、CAMEL、MetaGPT 获得更高成功率和人工评分。打开资源
开源项目记忆系统soul-protocol 的记忆设计：不是把聊天塞进向量库，而是一条分层的认知管线这篇项目讲解基于本地 soul-protocol 源码，拆解它的记忆系统如何从 observe 触发写入、按显著性和事实抽取分层存储、用去重与 supersede 处理冲突，再通过 BM25/ACT-R、图谱增强和可选 LLM rerank 完成召回。打开资源
