对话 COBRA-Skills 一作卢平琛：仅用 50 个样本，重构 Agent 技能降本路线

当经典算法遇到 LLM，用概率预判代替盲目试错，或许才是架构演进的真正解法。

过去，智能体的技能（Skill）大多依赖人类专家手动撰写，不仅耗时费力，更难以覆盖海量复杂的真实场景。为此，借助大模型“自动化生成与优化技能”，成了让 Agent 迈向自主进化的新范式。

然而，摆脱了人工编写的束缚，却撞上了高昂的 Token 账单。要验证一个自动生成的技能到底管不管用，必须让智能体带入真实任务中落地执行。每一次试错，都是实打实的 Token 消耗与多轮交互的时间成本。

更棘手的是，许多候选技能在刚生成时就自带缺陷。但在现有框架下，我们缺乏“事前筛选”的能力，只能任由大量预算被这些低质候选无意义地吃掉。同时，后续的精炼流程也在频繁调用高阶 LLM，哪怕缺乏有效的新证据，这种“反思—重写”的流水线依然在机械重复。

评估贵，精炼也贵，两笔账算下来，技能优化的效率就成了绕不开的瓶颈。

针对这一痛点，来自香港中文大学（深圳）、天津大学、香港科技大学（广州）和新加坡国立大学的研究团队，在论文《COBRA-SKILLS: Contextual Bandit-Guided Evolution for Agent Skill Optimization》中提出了一种全新的破解思路。

论文链接：https://arxiv.org/abs/2609.11682

COBRA-Skills 摒弃了盲目堆叠 Token 的演化路线，巧妙地将技能优化转化为一个带预算控制的情境多臂老虎机（Contextual Bandit）问题。

它在真实评估前增加了一道“收益预判”机制，确保只有最具潜力或探索价值的候选技能才会进入实际演练，并结合精细化算子迭代种群。凭借这套高效的筛选策略，COBRA-Skills 仅用 50 个优化样本，就将优化成本降低了 55%～58%，并在 6 个跨领域 Benchmark 上实现了对现有主流方法的全面超越。

AI 科技评论近日独家对话了论文第一作者卢平琛。在交谈中，他向我们还原了团队如何将“情境多臂老虎机”引入 Agent 技能演化，以及这套低成本范式背后的真实踩坑经历与工程抉择。

01

双轮闭环：

经典算法“筛选” + 进化算子“重构”

COBRA-Skills 的设计可以概括成：老虎机负责“选”，进化负责“改”，两者形成一个持续运转的闭环。

具体而言，系统维护着一个固定规模的技能种群。在日常迭代中，流程分为三步：

1.筛选评估。由老虎机算法为种群中的每个技能打分，挑选出得分最高者；

2.实战检验。目标智能体搭载该技能在优化集上执行任务，并返回对应的奖励与执行轨迹；

3.反馈更新。将评估结果写入历史数据，用于更新打分模型。此外，种群会定期触发进化更新，淘汰低分技能并生成新技能填补空缺。

这两大机制紧密结合。老虎机依据历史数据预测技能潜力，而进化生成的新技能则会回流至老虎机的候选池；反过来，进化机制所依赖的改进证据，来自执行老虎机精细挑选后的技能后留下的执行轨迹。

02

引入“老虎机”，

将 Token 消耗拦在评估之前

论文第一作者卢平琛在接受AI科技评论采访时透露：

在最开始复现同类工作时，我们发现总 Token 量看似还好，但账单却高得吓人。

团队深入分析后发现，核心瓶颈在于教学模型（Teaching Model，如 GPT-5.5 类高阶模型）调用次数过多，且单次调用的上下文极长。因此，团队在设计初期就明确将目标定为控制实际经济成本（Cost），而非简单统计 Token 数量。

▎两层 MLP 收益预测：为未评估技能精准打分

最直接的做法，是基于历史评估数据，预判候选技能在未评估时的预期得分。

COBRA-Skills 借助一个轻量级的两层 MLP 来实现这一点：先将每个技能转化为语义嵌入向量，再由 MLP 输出一个标量奖励预测值。

随着评估数据的积累，预测精度会稳步提升。每完成一次技能评估，最新的“技能—奖励”数据就会被纳入历史库，用于重新拟合预测模型。

然而，单纯依赖预测收益往往会带来局限。若某种技能当前的预测得分最高，算法就容易陷入对它的持续选择，导致其他有潜力的技能永远得不到评估机会。这便是经典的“探索与利用”困境。

▎LinearUCB 空间探索：破除“只选高分”的贪婪困境

在探索策略的选择上，团队曾经历过严谨的实证对比。

据卢平琛介绍，团队最初曾尝试过 NeuralUCB，但发现其特异性筛选能力较弱。

比如连续两轮选中同一个技能，系统对该技能不确定性的衰减幅度与其他技能几乎没有区别；此外，NeuralUCB 的计算量极其庞大，在做对角化近似时还会牺牲部分精度。

相比之下，LinearUCB 则展现出了极高的性价比与精准度。仿真实验表明，以技能嵌入向量为输入、对应奖励为输出时，LinearUCB 能非常灵敏地识别出哪些语义区域已被充分探索，进而精准压低该区域的探索奖励，实现了轻量与高效的兼得。

因此，团队最终采用了 “神经网络预测收益 + LinearUCB 量化探索” 的轻量高效组合。

最终优先级分数 = 预测奖励 + 探索奖励

在运行逻辑上，系统每轮仅挑选得分最高者送入评估，而综合分值垫底的技能则会在后续进化中被淘汰。

这种设计将有限的评估预算精准引导至两类技能：要么预测表现极佳（利用），要么信息增量巨大（探索）。至于那些既无性能优势、又处于已探明区域的低质技能，则会被彻底过滤，不再浪费任何 Token。

图：LinearUCB 探索系数v对系统平均性能的影响分析（当v=0.1时达到最优性能 73.5%）  

03

基于轨迹证据演化，

告别全局重写的盲目消耗

老虎机算法解决了“选谁评估”的效率问题，但候选技能本身并不会凭空变强。

真正推动技能质变的是进化机制。它立足于评估所产生的实战证据，负责对候选技能进行持续的生成、重组与精炼。

▎攒够证据再动刀，避免频繁消耗 Token

为了避免高频调用高昂的 LLM 去频繁重写技能，进化机制并非逐轮触发，而是采用了对数调度策略，例如在第 3、6、9、13、19……次迭代时按需触发。

据卢平琛介绍，随着演练推进，老虎机本身已能建立起相对准确的预测逻辑，老虎机的预测结果也能逐渐收敛到好的候选技能上，因此后期并不需要高频补充新技能。

这种“前期密集、后期稀疏”的演化节奏，让团队得以在积攒了足够的实战轨迹证据后才精准“动刀”，从而大幅降低了 Teaching Model 的调用频次与 Token 消耗。

▎三种演化算子：保守微调与结构保护

每次进化更新时，算法淘汰评估得分最低的m个技能，并由以下三种算子生成新技能填补空缺：

1.再生算子（Regeneration）：直接从初始无技能的执行轨迹中归纳全新的独立策略，不依赖现有父代，为种群引入全新的探索方向。

卢平琛提到：

若整个框架只能保留一个算子，再生算子无疑是绝对核心，因为初始技能种群正是基于它构建而来的。

2.轨迹变异（Rollout Mutation）：针对当前轮次评估的技能，采样其最新的成功与失败案例，仅做局部的针对性修正。

3.交叉重组（Crossover）：对比历史高绩效与低绩效技能，以其中一个高分技能为“骨架”，吸收成功经验并规避已知失败模式。该过程无需目标智能体重新评估，属于“零成本”重组。

除了算子设计，团队在技能的修改幅度上也展现出了极强的工程克制。

不同于许多同类工作让 LLM 对技能进行全局重写或过度融合，团队在实验中发现，大面积修改极易破坏原技能中已生效的优良结构，从而引发性能震荡。

卢平琛强调：

对于轨迹变异与交叉重组算子，我们以现有技能或高分技能为骨架，进行少量、保守的局部修改，这样才是稳定可控的。

04

实测验证：

性能全面超越，优化开销直接腰斩

为了全面验证 COBRA-Skills 的泛化能力，论文在 6 个异构的智能体基准上进行了评估。这些任务覆盖的维度相当广泛：  

• SearchQA：开放域问答；   
• SpreadsheetBench：电子表格自动化操作；   
• DocVQA：文档图像理解；   
• LiveMath：研究级复杂数学推理；   
• SocialMaze：社会推理与隐藏角色推断；   
• ALFWorld：具身环境中的多步决策。   

这些任务不仅横跨单轮与多轮交互，更涵盖了外部文件处理、工具调用以及与持久化环境的持续互动。   

在实验配置上，团队选用了三个不同能力梯队的目标模型（Qwen3.6-35B-A3B、GPT-5.4-Nano、Gemma-4-26B-A4B-it），并统一采用 GPT-5.5 作为教学模型。

所有方法均共享同一个 100 例的留出测试集，且该测试集全程严格绝缘于技能的构建与筛选过程。

▎突破性能上限，中小模型“补强效应”尤为突出

在三个不同能力梯队的目标模型上，COBRA-Skills 均取得了最高平均性能。相比无技能基线，它在 Qwen、GPT-Nano 和 Gemma 上分别大幅提升了 13.1、26.9 和 22.5 个百分点。数据表明，优质技能对于能力相对较弱的小模型，具有更显著的“补强效应”。

图：COBRA-Skills 与主流方法在不同目标模型上的平均性能（上）及性能与优化成本对比（下）

对比实验还显示，即便仅做初始化、不做后续优化的“证据锚定技能基线”，其表现也能稳定超出无技能基线，而 COBRA-Skills 则在此基础上实现了进一步的跨越。

值得一提的是，在三个目标模型的实验结果种，COBRA-Skills 并非在所有单项基准上都拔得头筹（例如在Qwen3.6-35B上，SearchQA 上略低于 SkillOpt；在Gemma4-26B上，DocVQA 上优势不明显）。但它的核心优势在于极高的综合鲁棒性。无明显短板，也没有在任何模型上失灵。

表：COBRA-Skills 与主流方法在 6 个 Benchmark 上的详细性能对比数据

在复杂的异构任务场景中，这种“不偏科”的综合稳定性，远比单一任务上的单点突破更具实用价值。

▎教学 Token 节省八成，50 样本撬动高稳定泛化

在成本控制上，与最强基线 SkillOpt 相比，COBRA-Skills 的总优化成本降低了 55%–58%，教学模型的 Token 消耗大幅缩减了 67%–80%，每单位性能提升的成本降低了 60%–69%。   

表：COBRA-Skills 与主流方法在 Token 消耗、优化总成本及单位性能成本上的量化对比

传统方法往往依赖庞大的样本集进行训练与验证。例如在 SearchQA 上，SkillOpt 官方配置包含 400 个训练样本和 200 个验证样本；SpreadsheetBench 的 Trace2Skill 也使用了 200 个样本。相比之下，COBRA-Skills 在所有基准上统一仅使用 50 个优化样本。   

针对这 50 个样本的设计考量，卢平琛解释道：

样本太少（如 20 个）会导致分数反馈剧烈震荡，而 50 个样本能提供非常稳定的反馈信号。在具体进化时，我们每次从 50 个样本中随机抽取 8 条执行轨迹作为证据；C₅₀⁸构成了极其庞大的组合空间，既保证了证据的针对性，又为技能生成保留了丰富的多样性与探索空间。

这 50 例样本在“评估可靠性”与“任务覆盖度”之间取得了极佳平衡：每个候选技能均在这 50 例上完整评估，以获取可靠的排序信号；同时，样本完整保留了基准任务的真实构成，能暴露出多样化的重复模式供技能归纳。样本少不等于信息少，关键在于利用效率。 

论文还设计了两组消融实验：

1.w/o Bandit（移除老虎机）：保留进化机制，但候选筛选改为随机选择，平均性能下降 2.2 分。   

2.w/o Evolution（移除进化）：保留老虎机机制，但在固定的 30 个技能池中挑选，不生成新技能，平均性能下降 2.4 分。   

两者均造成 2 分以上的性能衰退，可见选择性评估分配与候选空间演化互为补充、缺一不可。   

此外，论文还设置了 Best-of-30 基线（用同样的证据锚定机制生成 30 个技能，全量评估后取最优解）。结果显示，Best-of-30 比完整方法低了 2.5 分。

图：消融实验与 Best-of-30 结果对比（上表）及 36 组跨模型技能迁移矩阵热力图（下图）

▎无惧接口切换、离线自教学与跨模型迁移

论文从三个层面进一步验证了方法的泛化韧性。   

1.框架适配：将 Qwen 移植至 Claude Code 和 Codex 框架下运行，COBRA-Skills 依然分别取得 68.2 和 72.4 的最高平均分，证明其效果不依赖特定的智能体接口。 

表：COBRA-Skills 在 Claude Code 与 Codex 框架下的跨平台适配性能对比

2.自教学进化：若以目标模型自身取代 GPT-5.5 进行技能生成与精炼，系统平均分仅由 73.5 微降至 72.5，却实现了成本减半，且性能远超同等设置下的 SkillOpt（68.4），展现了离线低成本自教学的巨大潜能。 

图：迭代收敛过程（左）及自教学模式下的性能与成本对比（右）  

3.跨模型复用：将 GPT-5.5 优化的技能库迁移至其他目标模型，36 次迁移中 34 次成功超越基线。这有力地说明，COBRA-Skills 提取的是高泛化性的任务层解题范式，而非与特定模型绑定的 Prompt 技巧。  

05

大模型负责创造，

经典算法负责控本

过去一段时间，Agent 领域隐约浮现出一种“大模型全包”的迷信：从任务理解、技能生成，到诊断反思与重写进化，全盘交给 LLM 端到端解决。但这篇论文用一组直观的账单数据，直白地戳破了这种“全能幻觉”。   

大模型固然具备惊人的符号生成与语义理解能力，但在处理带预算约束的序列决策、估计统计不确定性，以及计算“算力回报率”这类问题时，它不仅价格昂贵，而且缺乏天然的概率把控力。   

COBRA-Skills 最耐人寻味的设计，恰恰在于它的“复古”。团队没有强求大模型凭空判断哪个技能更有价值，而是优雅地引入了决策理论中经过数十年验证的“上下文老虎机”。   

这种“传统 ML 负责量化与控本，LLM 负责生成与提纯”的范式融合，为下一代 Agent 的架构设计提供了清晰的示范。

06

独家对话：专访第一作者，

拆解工程边界与落地未来

▎AI科技评论：在跨模型迁移实验中，36 次迁移有 34 次成功超越了基线，但有 2 次表现欠佳。这两次“例外”是什么原因造成的？

卢平琛：这两次例外的幅度其实都很小，分别只比对应的无技能基线低约 0.3 和 1.7 个百分点。一个更可能的原因是，不同模型的能力结构、推理习惯和错误模式并不完全一致，因此在一个模型上优化出的 Skill，未必能完全匹配另一个模型最需要的指导方式。当然，这其中也包含少量的随机因素。但总体来看，超过 94% 的成功率证明，优化出的技能抓取的是通用的任务级策略，具备极强的跨模型通用性。

▎AI科技评论：从工程落地的角度看，目前 COBRA-Skills 最大的局限性是什么？

卢平琛：目前我们主要聚焦于任务层（Task-level）的技能演进化。从技能自身的结构来看，我们尚未覆盖过于复杂的多技能联动场景。比如像 Claude Code 提出的某些 Skill 结构中，会在执行 SQL 的同时动态调用 Python 脚本，或者通过索引去关联其他 SQL 技能。这种跨工具、多层级的复杂技能联动结构，是我们目前尚未覆盖、也是下一步需要探索的方向。

▎AI科技评论：如果将这种“老虎机 + 进化”的思路延伸到其他场景（如 Agent 工具调用、RAG 检索等），你觉得哪种最有可能率先落地？

卢平琛：RAG 领域的相似度检索最有可能率先落地。因为 Skill 的标准结构本身就包含 Title（标题）、简短 Description（描述）以及 Body（正文）三部分。在实际业务中，大量 Agent 正是依赖那句简短 Description 进行索引与匹配的，这与我们当前的优化框架天然契合。

▎AI科技评论：如果用一句话来概括这篇论文最核心的贡献，你会怎么总结？

卢平琛：高效、低成本地优化 Agent 的 Skill，让智能体演化不再被昂贵的账单拖垮。

文章来自于"AI科技评论"，作者 "张璐"。