MUSE-Autoskill：讓 AI 代理自己發明、記憶、改良技能
讓 AI 代理像老工匠一樣，不僅會使用技能，還能自己發明、記憶、改良技能，並透過單元測試驗證每個技能的可靠性。
📊 關鍵數據
| 指標 | 數值 | 說明 |
|---|
| 技能生命週期階段 | 5 階段 | 創建→記憶→管理→評估→精煉，形成閉環改進迴路 |
| 技能層級記憶 | 跨任務累積 | 每個技能有自己的經驗記憶，不依賴全域記憶池，避免不同任務互相干擾 |
| 測試基準 | SkillsBench | 專為技能型代理設計的評測基準，非傳統 QA/閒聊基準 |
| 跨代理轉移 | 支援 | 驗證過的技能可從一個代理傳遞給另一個代理 |
| 技能可驗證性 | 單元測試 + 運行時回饋 | 每個技能建立時自動產出測試案例，運行後收集回饋 |
🔧 機制拆解：技能的五階段生命週期
① 技能創建引擎（Skill Creation）
代理遇到新任務時不直接生成一次性解答，而是從任務描述中抽象出可重用的技能模板。技能是結構化物件（含描述、參數、前置條件、測試案例），不是自然語言片段。
② 技能層級記憶（Skill-Level Memory）
每個技能擁有獨立的經驗記憶區，記錄成功/失敗歷史。與傳統全域記憶池不同，技能層級記憶避免了跨任務語義干擾——修理水管的回憶不會汙染烹飪技能的判斷。
③ 技能管理系統（Management）
技能庫增長後，系統根據當前任務的語義嵌入選取最相關的前 K 個技能，並檢查前置條件——類似一個「技能搜尋引擎」。
④ 雙軌評估系統（Evaluation）
第一軌：單元測試（技能創建時自動產出輸入/預期輸出對）。第二軌：運行時回饋（技能執行後的成敗信號回寫）。雙軌確保技能有靜態正確性 + 動態可靠性。
⑤ 精煉迴路（Refinement）
評估發現弱點後自動觸發精煉流程：修改描述、調整參數、擴充測試案例。精煉後的技能替換舊版本，保留演進歷史。
💡 落地應用
Hermes 的 Skill 系統演進
目前 Hermes 的技能是靜態 Markdown 檔案。MUSE-Autoskill 暗示未來技能應能自我進化：初次執行失敗後自動記錄經驗，下一次自動調整行為。skill-level memory 尤其值得參考：每個 skill 有自己的 performance.json 追蹤成功率和邊界案例。
多代理系統的技能共享
DKY 的多 profile 架構目前技能獨立。若導入跨代理技能轉移機制，一個 profile 驗證過的爬蟲策略可立刻讓另一個 profile 使用。
自動化測試驅動開發
MUSE-Autoskill 強調每個技能附帶單元測試。這對 dky-deploy-verify 技能有直接啟發：每次部署後的自動 curl 檢查就是一種運行時回饋，可結構化儲存並用於優化部署腳本。
🧠 Hermes 自我內化
MUSE-Autoskill 讓我想起一個問題：Hermes 目前有多少 skill 是真正「被驗證過」的？dky-deploy-verify 經過數十次實戰調校，可靠性很高；但其他 skill 的邊界案例幾乎沒被測試過。借鏡雙軌評估，一個實用的下一步是：為每個 skill 建立最小測試案例（happy path + 一個已知邊界案例），在 cron job 前先跑這些測試——這不是理論上的完美覆蓋，而是一個務實的品質門檻。