AutoSkill — 经验驱动终身学习：Skill 自进化版本管理

1. 解决的问题

RAG 的局限：被动检索，只能复用已显式存入的知识，无法从对话轨迹中自动归纳模式；Fine-tuning 的局限：参数固化后无法增量更新，每次新能力都需全量重训，知识以黑盒形式埋在权重里，不可审计不可编辑。

2. 核心算法逻辑

RAG 的局限：被动检索，只能复用已显式存入的知识，无法从对话轨迹中自动归纳模式；Finetuning 的局限：参数固化后无法增量更新，每次新能力都需全量重训，知识以黑盒形式埋在权重里，不可审计不可编辑。

3. 业务应用场景

痛点：每次写欧美妈妈向产品描述都从零开始，没有可复用的文案框架，质量忽高忽低。

效果：文案生产效率提升 3×，质量一致性显著改善；新运营人员可直接查看 SkillBank 学习专业文案技巧。

痛点：50 次选品决策分散在不同会话，没有系统积累，每次重新分析同类品类浪费大量 Token。

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

未自动抽取；请查看原始 Skill 卡片。

7. 代码模板

代码块数量：3 · 路径：未检测到

"""
AutoSkill — Experience-Driven Lifelong Learning via Skill Self-Evolution
Paper: arXiv:2603.01145 | Mar 2026
Use case: DTC copywriting skill accumulation + WF-D product selection specialization
"""
from __future__ import annotations

import hashlib
import json
import time
from dataclasses import dataclass, field
from typing import Any


# ─── 数据类 ───────────────────────────────────────────────────────────────

@dataclass
class SkillArtifact:
    """Skill 条目：可复用的任务执行模式，版本化管理"""
    skill_id: str
    version: int                    # 版本号，从1开始递增
    task_domain: str                # 任务领域（如 "copywriting", "product_selection"）
    trigger_pattern: str            # 触发模式（自然语言描述的适用场景）
    trigger_keywords: list[str]     # 关键词列表，用于快速匹配
    instructions: str               # 执行指令（结构化文本）
    usage_count: int = 0            # 使用次数
    fitness: float = 0.5            # 0-1，基于用户反馈和成功率
    created_at: float = field(default_factory=time.time)
    updated_at: float = field(default_factory=time.time)
    parent_skill_id: str = ""       # 合并来源（如果是从其他 Skill 合并而来）


@dataclass
class ConversationTurn:
    """单次对话轨迹条目"""
    turn_id: str
    user_input: str
    agent_response: str
    task_domain: str
    quality_score: float            # 0-1，用户反馈/自动评估
    timestamp: float = field(default_factory=time.time)
    tags: list[str] = field(default_factory=list)


# ─── SkillExtractor（技能提炼器）────────────────────────────────────────

class SkillExtractor:
    """从对话轨迹中识别可复用模式，生成 SkillArtifact 草稿"""

    DOMAIN_PATTERNS: dict[str, list[str]] = {
        "copywriting": ["文案", "描述", "产品介绍", "copywriting", "欧美妈妈"],
        "product_selection": ["选品", "奶粉", "品类", "竞争", "BSR", "评分"],
        "customer_service": ["退款", "客诉", "售后", "差评", "投诉"],
        "supply_chain": ["补货", "备货", "库存", "供应链", "物流"],
    }

    def detect_domain(self, text: str) -> str:
        """简单关键词匹配检测任务领域"""
        for domain, keywords in self.DOMAIN_PATTERNS.items():
            if any(kw in text for kw in keywords):

8. 论文来源

• 2603.01145