当学生怎么学都学不会时，问题可能出在"教材"上

你有没有遇到过这种情况：请了一个特别厉害的老师来辅导，老师讲得头头是道，可你回去做题还是不会。问题出在哪儿？

有一种可能是，老师讲的是"我是怎么想到这个解法的"，而你需要的是"你到底哪里想错了"。这是两件完全不同的事情。

这正是当下 AI 智能体（能自己完成多步骤任务的大模型程序）领域里一个挺尴尬的现状。研究者们发现，让一个能力较弱的 AI 智能体变强，光靠给它看"标准答案"或者"它自己的错题本"，效果都不太好。2026年8月，一篇叫做《SKILL-KD》的论文提出了一个新思路：与其单独看学生做错了什么，或者单独看老师做对了什么,不如把两者放在一起对比,专门找出"学生和老师之间那个具体的、能落地的差距"，然后把这个差距变成一条可执行的规则，交给学生用。

这篇论文来自浙江大学、北京大学和阿里巴巴的联合团队，题目直译过来是"技能知识蒸馏"，听起来有点绕，我们慢慢拆开讲。

先搞清楚：这里说的"技能"到底是什么

在这篇论文的语境里，AI 智能体（agent）：能够自主进行多步骤推理、调用工具、与环境交互来完成任务的大模型系统，比如能自己上网搜索、操作表格、玩文字游戏的 AI 程序

不是靠单次问答解决问题的，而是需要走很多步：搜索资料、调用工具、拆解任务、检查中间结果对不对。这些"怎么走这几步"的套路，就是论文里说的技能（skill）：可复用的、用文字描述的操作规则，比如"当表格里出现货币符号时，先解析成数字再计算"，这类规则不需要重新训练模型，只需要写进提示词里给模型看

技能这个东西一直是 AI 智能体研究的热门方向。此前的做法大体分两条路：一条是让智能体自己复盘，把自己走过的弯路总结成经验，存到一个"记忆库"里，下次遇到类似问题就翻出来看；另一条是找一个更强的模型做示范，把强模型的成功案例总结成技能，直接喂给弱模型用。

这两条路听起来都挺合理，但论文作者指出了一个容易被忽略的问题。

核心问题：证据不等于答案

先说第一条路，让智能体自己总结失败经验。这里有个逻辑漏洞。

如果一个学生做错了一道题，仅仅盯着这道错题看，能看出"哪里错了"，但不一定能看出"应该怎么做才对"。论文原话是，失败的轨迹可能显示智能体走错了哪一步，但不会揭示是什么缺失的知识或策略本来能带来正确的那一步。

举个具体的例子想象一下。假设一个学生解方程解错了，卷子上写着"移项时符号弄反了"。这句话是对的，但它只告诉你"你错在哪儿"，没有告诉你"移项到底该怎么处理符号"这个更深层的规则。真正缺的知识点，可能压根不会在错题卷面上体现出来，因为学生自己就不知道这个知识点存在，又怎么能在总结里写出来呢？

这就是为什么论文说自我复盘存在天花板：它能发现的问题，永远局限于"学生已经能意识到的问题"，那些学生根本没意识到自己不会的东西，是复盘不出来的。

再看第二条路，直接照抄强模型的示范。这条路的问题在于"太implicit"，也就是太隐晦了。

一份优秀的解题过程，对写这份过程的强模型来说是顺理成章的，因为它有足够的知识储备去支撑每一步的跳跃。但如果直接把这份过程原封不动地总结成一条规则给弱模型看，弱模型可能压根接不住,因为规则要么写得太抽象套不上具体情况,要么隐含了弱模型根本不具备的前置知识。

这就好比让一个刚学做饭的新手看米其林大厨的菜谱视频。大厨轻描淡写地说一句"炒到差不多就行"，这句话对大厨来说是几十年手感的浓缩，可对新手来说完全是一句空话,因为"差不多"这个判断标准,新手压根没有建立起来。如果不去弥合这个差距,直接把大厨的做法抄给新手,新手大概率还是做不出那道菜。

论文管这个现象叫做"隐式的教师示范"（teacher trajectory may be too implicit to be internalized）。

那要怎么办：把"对比"本身当成学习材料

SKILL-KD 的思路是,既然单看学生的错、单看老师的对都不够,那就把两条轨迹放在一起比。

具体流程是这样的。给定一个任务，先让学生模型（论文里叫 student，能力较弱、参数被冻结不做训练的那个模型）自己去做一遍。

冻结（frozen）：指模型的参数在整个过程中不发生任何更新，不做微调、不做强化学习训练，唯一改变的是喂给它的提示词内容

如果学生做对了，这事儿就翻篇了，不需要任何操作。如果学生做错了，系统会让教师模型（teacher，能力更强的那个模型）去做同一个任务，产出一条对照轨迹。

接下来就是关键的一步：不是把教师的轨迹直接总结成规则塞给学生，而是引入一个叫做"整合智能体"（consolidation agent）的角色，让它把学生的失败轨迹和教师的成功轨迹放在一起对比，专门去找两者之间那个"能落地的差距"（actionable discrepancy），然后把这个差距浓缩成一条文字形式的技能补丁（skill patch）。

这里有个细节挺有意思：论文特意强调,教师模型也不一定每次都能做对。就算教师这次也失败了,对比两条都失败的轨迹依然有价值,因为可以看出两者在哪一步开始分道扬镳,这个分叉点本身就是有用的信息。数据显示,在学生失败的案例里,教师只有 46.1% 的情况下能成功,但即便教师失败,仍然有 38.5% 的被采纳补丁是从教师失败的轨迹里提炼出来的。这说明整合智能体真正关心的不是"谁做对了"，而是"哪里出现了有意义的分歧"。

光有补丁不够，还得验证补丁真的有效

这里论文提出了整篇工作里我觉得最巧妙的一个设计：自适应技能蒸馏（Adaptive Skill Distillation）。

补丁写出来之后，不能想当然地认为它就是对的，得拿去让学生重新做一遍这个任务，看看学生这次能不能做对。

如果学生做对了，这条补丁就正式收编进技能库。如果学生还是做错，整合智能体会看着学生这次新的失败轨迹，重新写一版补丁，再让学生试一次。这个过程最多循环 n 轮（论文里默认设为 3 轮）。

这个设计背后的逻辑其实很朴素：一条规则写得好不好，光靠人（或者另一个模型）拍脑袋判断是不够的，唯一靠谱的检验方式是让真正要用它的那个人去试一遍。

这就像教练教一个新手学游泳。教练示范了一遍蛙泳的动作要领，讲得清清楚楚，可这不代表新手听完就能游起来。真正靠谱的做法是让新手下水试一次，教练站在旁边看他哪里做得不对，再针对性地调整讲解方式，再试一次。如果教练只是讲完就假定学生学会了，从不下水看效果，那这套教学方法的可靠性完全无从谈起。

论文用实验数字验证了这个循环的价值。在 Group 1 的设置下（学生模型是 Qwen3.5-4B，教师模型是 Qwen3.7-plus），第 0 轮（也就是学生第一次自己尝试，还没用上任何补丁）的训练集平均成功率是 58.9%，经过第一轮补丁验证之后直接跳到 67.7%，提升了近 9 个百分点。这说明"让学生试一次再看效果"这一步贡献了绝大部分的改进，后面第二轮、第三轮的提升就明显放缓了，分别是 70.8% 和 72.7%。这符合边际收益递减的规律：大部分能解决的问题，第一次校准就能搞定，剩下的都是难啃的骨头，需要更多轮次的打磨。

技能库越用越乱怎么办：防漂移的整合机制

讲到这里还有一个问题没解决。如果每次失败都生成一条新补丁，久而久之，这个技能库会变成什么样子？

论文给出的答案是：会变得又臭又长，还可能自相矛盾。这个现象论文里叫做技能漂移（skill drift）：指技能库随着不断打补丁逐渐变得冗余、局部过拟合，或者新补丁覆盖掉了旧补丁里本来有用的内容，导致整体质量下降而不是提升

论文具体拆解出了三种漂移的表现形式，读起来都挺真实。

第一种叫"案例特定漂移"（case-specific drift）。举个例子，在 DocVQA（一个从文档图片里读取信息回答问题的任务）里，有一条关于"数字要不要带单位"的规则，被反复修改：先是遇到"10毫克"这种情况就加上单位，后来遇到问题里已经写明了单位（比如"多少千克"）就改成去掉单位，再后来遇到货币又改一版。每次修改单独看都合理，但问题是,如果整合智能体看不到这条规则之前经历过哪些具体案例,它就只能根据眼前这一个新案例去调整边界，边界就会像墙头草一样跟着最后一个案例摇摆。

第二种叫"技能膨胀漂移"（skill-bloat drift）。在 SpreadsheetBench（表格操作任务）里，如果整合智能体看不到历史证据，最后攒出来的技能库会有 50 条规则、2930 个单词，里面充斥着诸如"处理 P6:Q6 这个单元格"这种极度具体、只对这一次任务有用的补丁。这些补丁单独看都没错，但堆在一起，库就变得又大又难用。

第三种叫"破坏性更新漂移"（destructive-update drift）。这种更隐蔽：一条早先记录了"如何解析货币、如何做分层计算限额"的具体规则，后来被一条新补丁的措辞悄悄替换掉了，新补丁强调"要写可执行代码而不是伪代码"，这个新要求本身没错，但它把原本记录着具体计算逻辑的老规则给冲淡了，等于好心办了坏事。

面对这三种漂移，SKILL-KD 的解法是给技能库配一本"带证据链的修改日志"，也就是漂移感知的技能整合（Drift-Aware Skill Consolidation）：不只记录每条技能规则的当前内容，还完整保留每一次修改的操作类型（新增、修改、删除还是跳过）、修改理由，以及这次修改是基于哪几条具体的师生对比轨迹做出的

这个机制配了两个工具给整合智能体用：一个是"追溯链接工具"，可以随时把某条历史规则背后的原始对话记录调出来重新看；另一个是"打补丁工具"，用来正式执行新增、修改、删除或跳过的操作。

这套机制运作起来，有点像一个经验丰富的病历管理员。普通的病历系统可能只记录"病人现在吃什么药"，但一个好的病历管理员会保留完整的既往病史：这个药是什么时候加的、当时是为了治什么症状、后来症状变化了没有。如果医生要调整用药方案，不看既往病史，直接根据眼前这次复诊的症状拍脑袋改药，很容易把之前控制得好好的另一个病症给耽误了。有了完整病史做支撑，医生才能判断这次调整是真的该改，还是仅仅针对这一次的偶然情况。

论文用一个消融实验验证了这套机制的价值。去掉编辑日志和追溯链接这两个组件之后（也就是只留下打补丁的动作，但看不到历史），在 SpreadsheetBench 上的分数从完整版的 24.3 掉到 14.6，在 LiveMath（数学推理任务）上从 54.8 掉到 27.4，几乎腰斩。这说明"记得住来龙去脉"这件事，不是锦上添花，而是决定这套系统能不能长期稳定运作的关键。

实测效果：五个任务，两组师生搭配

论文在五个基准测试上做了验证，覆盖面还挺广：SearchQA（基于搜索的问答）、SpreadsheetBench（表格操作）、DocVQA（文档图片问答）、LiveMath（数学推理）、ALFWorld（虚拟环境里的具身交互任务，比如"把苹果放进冰箱"这种指令）。

师生搭配设置了两组。第一组是"同门师兄弟"式的搭配：学生是 Qwen3.5-4B，教师是 Qwen3.7-plus，都属于通义千问家族，架构和训练风格比较接近。第二组是"跨门派"搭配：学生是 Qwen3.6-35B-A3B，教师是 ChatGPT-5.5，两者来自完全不同的模型家族，分词器、预训练数据、行为习惯都不一样。

结果如下表所示（分数是百分比，数字越高越好）：

| 方法 | SearchQA | SpreadsheetBench | DocVQA | LiveMath | ALFWorld | 平均 |

|---|---|---|---|---|---|---|

| 学生自己（无技能） | 68.1 | 9.3 | 86.9 | 22.4 | 30.6 | 43.5 |

| EvoSkill | 68.6 | 17.9 | 79.7 | 23.4 | 67.9 | 51.5 |

| Trace2Skill | 68.5 | 19.3 | 88.0 | 27.2 | 64.9 | 53.6 |

| SkillGen | 69.2 | 13.2 | 88.8 | 21.0 | 70.1 | 52.5 |

| SkillOpt | 71.2 | 23.9 | 89.0 | 52.0 | 81.3 | 63.5 |

| **SKILL-KD** | **79.2** | **24.3** | **89.3** | **54.8** | **86.6** | **66.8** |

（这是第一组，学生 Qwen3.5-4B、教师 Qwen3.7-plus 的结果）

在第二组（学生 Qwen3.6-35B-A3B、教师 ChatGPT-5.5）里，SKILL-KD 的平均分是 74.6，同样是所有方法里最高的，比排第二的 SkillOpt（68.6）高出 6 个百分点。

值得单独说一下 ALFWorld 这个任务上的结果。这个任务的测试集用的是训练时完全没见过的新环境，相当于一个"举一反三"的考验。SKILL-KD 让 4B 学生模型的分数从 30.6 飙升到 86.6，提升了整整 56 个百分点。这么大的提升幅度，说明学出来的技能规则确实是可迁移的通用套路（比如"先找到目标物体，再找加热设备，再放置"这种模式），而不是死记硬背某个具体房间里东西摆在哪儿。

拿另一组数字来对比感受一下这个提升有多大：无技能状态下，学生模型平均每做 10 个 ALFWorld 任务只能做对 3 个；用上 SKILL-KD 之后，10 个任务里能做对将近 9 个。这意味着原本走 3 步就迷路的智能体，学会了一整套"先干嘛后干嘛"的行动策略。

拆开揉碎地看：到底是哪个环节在起作用

论文还做了几组细致的消融实验，专门回答"这套系统里每个模块到底贡献了多少"这个问题。

第一组对比了不同的技能获取方式：只用教师轨迹（Teacher-only）、只用学生失败轨迹（Student-only）、只做一次对比不做迭代（Pairwise）、把多条轨迹打包一起处理（Batch）。结果发现，只用教师轨迹这种做法平均分只有 58.3，是所有方案里最差的，恰好印证了前面说的道理：光看强模型怎么做，不结合弱模型具体错在哪儿，转化出来的规则往往对不上号。

| 方法 | 平均分 | 相对提升 | 规则总数 | 词数总量 |

|---|---|---|---|---|

| 无技能 | 43.5 | +0.0 | 0 | 0 |

| 只用学生轨迹 | 60.1 | +16.6 | 96 | 6821 |

| 只用教师轨迹 | 58.3 | +14.8 | 80 | 5683 |

| 打包处理 | 59.4 | +15.9 | 46 | 3849 |

| 单次对比不迭代 | 59.0 | +15.5 | 85 | 6966 |

| **完整 SKILL-KD** | **66.8** | **+23.4** | **38** | **3010** |

这张表最有意思的地方在于最后两列。完整版的 SKILL-KD 用了最少的规则数（38条）、最少的词数（3010词），却拿到了最高的分数。这说明这套系统不是靠"堆规则"取胜，而是真正找到了少而精的关键规则，反而是那些没有经过充分验证的方法，攒出来一堆又长又乱的规则，效果还不如精简版。

这就好比整理书架。一种做法是把家里所有看过的书全塞进书架，越堆越多，但真正要用的时候翻半天找不到；另一种做法是定期筛选，只留下真正常翻的那几十本，摆放清晰。表面上书少了，但找书的效率和实际用处反而更高。SKILL-KD 走的就是后一条路,它不追求技能条数越多越好，追求的是每条技能都被验证过、都确实有用。

写在后面

读完这篇论文，最让我意外的一个数据点是那个 46.1%：教师模型在学生失败的题目上，自己也只能做对不到一半。这其实推翻了一个我下意识的假设,我一直以为"教师蒸馏学生"这套框架默认教师是全知全能的裁判，实际上教师也会犯错，而这篇论文完全接纳了这一点，甚至把教师的失败轨迹也当成有效素材来用。这是一个挺务实的设计，承认了强模型也有边界，学习信号不来自于"谁绝对正确"，而来自于"两者的分歧点在哪"。

另一个值得单拎出来的细节是那三种技能漂移的分类,案例特定漂移、技能膨胀漂移、破坏性更新漂移。这套分类框架其实可以套用到很多"知识积累系统"上,不只是 AI 技能库，公司内部的 wiki 文档、团队的最佳实践手册，甚至个人的读书笔记系统，长期不加整理都会滑向这三种病态。这篇论文提供的解法（保留证据链、追溯历史再决策）算是给这类通病开了一张具体的处方。

论文没有回答的一个问题是：当技能库积累到成百上千条规则、无法整个塞进提示词的时候该怎么办。目前的做法是把整个技能文件都喂给模型看，这在规则量不大的时候没问题，但如果规模继续扩大，检索和路由的问题迟早会浮现。这大概是留给后续工作的一个明确方向。

Q&A

Q1：SKILL-KD 和之前的技能学习方法最大的区别是什么？

A：之前的方法要么只从学生自己的失败经验里总结教训，要么直接照搬教师模型的成功示范，SKILL-KD 的核心区别在于它专门对比学生失败轨迹和教师轨迹之间的差距，把这个"能落地的差距"提炼成技能补丁，而且会反复用学生模型重新测试这条补丁是否真的有效，无效就继续修改，而不是一次性总结完就算数。

Q2：SKILL-KD 需要重新训练模型吗？

A：不需要。SKILL-KD 全程不改动学生模型的参数，学生模型是完全冻结的，所有的改进都通过在提示词里追加一份文字形式的技能库来实现，这也是它能在不同模型家族之间（比如通义千问和 ChatGPT）通用的原因，因为它不依赖模型内部的权重结构。

Q3：技能库会不会越用越乱，越加规则效果越差？

A：这正是论文重点解决的问题，叫做技能漂移。SKILL-KD 用一套带证据链的编辑日志机制来应对，每条技能修改都会记录背后的具体案例和修改理由，整合智能体在做新的修改决策时会先回溯历史证据，判断该新增、修改、删除还是直接跳过，这样技能库能保持精简但依然有效，实验中完整版本用了最少的规则数却拿到了最高分数。