SkillHone：讓 agent 靠『保留決策歷史』持續進化技能，而不是每次砍掉重練

Agent 技能（agent skills）是替語言模型 agent 加上特定任務的程序、腳本與參考資料，讓它更會做某類事。但這些技能要對付的任務和環境會一直變，昨天管用的做法今天可能就不適用。問題是，現有的方法多半只在有限的執行回合裡改進技能，而且只保留最後那個成品，把過程中累積的決策歷史全丟了——偏偏那段歷史，正是之後接手的 agent 最需要的線索。

SkillHone 這篇論文要補的就是這個洞。它主張把 agent 做決策的歷史持久地保存下來，讓技能能靠著這份不斷累積的『為什麼當時這樣選』的紀錄持續演化，而不是每換一批任務就從頭再來。這等於把 agent 的成長從『一次性優化』改成『可累積、可承接』的長期過程，讓後來的 agent 站在前人踩過的坑上前進。

這個思路跟 Max 手上『歸剛誒AI』這類每天跑的排程其實很呼應。每一期日報、每一次抓取與部署，背後都有一堆『這次為什麼這樣選題、這樣改流程』的判斷，如果每天做完就丟、只留最終成品，累積的經驗就浪費了。SkillHone 提醒的是，把決策歷史留下來當養分，AI 系統才會愈跑愈聰明，而不是原地打轉。對設計長期運轉的自動化流程的人，這是值得借鏡的架構觀——別只存結果，也要存下『當時怎麼想的』。