平时我们经常让大模型读说明书、实验报告、行业文档这类陌生长文本再基于文档里全新知识答题、做流程操作这个能力叫“上下文学习”也就是从提供的材料中获取新知识并加以应用。但大模型有一个核心短板读得懂不代表学得会。当前的语言模型在数学竞赛、编程挑战等任务上表现很出色但这些任务所涉及的知识大多已在预训练阶段见过。真正棘手的是那些需要从上下文中现学现卖的场景。有什么办法能让模型更好地从复杂上下文中学习呢最直观的思路是从上下文中提取出规则和流程写成自然语言的Skill然后在推理时把这些Skill连同上下文一起喂给模型帮助它更好地理解和执行任务。但这个方法有两个绕不开的难题**人工标注成本高得惊人**想要模型吃透文档常规办法是人工把文档里的规则、步骤整理成一套解题Skill给模型当提示词。可专业文档动辄上万字、满是专业术语人要完整吃透再写规范Skill耗时又费钱大规模场景根本用不起。**没有外部打分没法自动优化Skill**在编程或数学任务中可以通过代码执行或标准答案比对来验证Skill质量。但上下文学习场景中除了文档本身什么都没有无法自动判断提炼出的Skill是否正确、完整地捕捉了上下文知识。为了解决这个问题清华联合多所高校和机构推出了Ctx2Skill 自主进化框架一个无需人工标注、无需外部反馈就能从复杂上下文中自主发现、优化和选择Skill的自进化框架。文末附下载Ctx2Skill自主进化的Skill发现框架Ctx2Skill的核心玩法是多智能体自对弈循环简单来说就是左右手互搏它不需要人类老师也不需要外部的对错反馈仅靠两个AI在内部“打架”就能提炼出高质量的Skill。整套系统一共有 5 类分工明确的智能体分成两大对立进化阵营循环迭代打磨两套独立Skill库。“红蓝军”对抗机制Ctx2Skill 设计了一个双人对战游戏主角是两个AI 智能体** 蓝军挑战者**扮演出题老师的角色根据上下文和自身掌握的Skill生成一批任务及其评分细则。它的目标是挖文档里藏得深的细节出能暴露模型知识漏洞的题目越往后题目越刁钻持续给做题方制造压力。** 红军推理者**扮演学生的角色阅读上下文在现有Skill的辅助下尝试解答挑战者提出的任务。它的目标是吃透文档所有规则完美答对所有题目。 裁判Judge铁面无私的考官。它对推理者的答案逐一检查评分细则每条评分细则必须全部满足才算答对少一条直接判定答题失败只输出二元结果答对 / 答错不参与Skill更新。在失败中进化如果推理者答错了系统就把失败案例送给推理侧的提议者Proposer和生成器Generator分析缺失了哪些知识更新推理者的Skill库。如果推理者答对了说明任务太简单系统会把成功案例送给挑战者侧的提议者和生成器让挑战者学习如何出更难的题。完整的一轮自对弈流程重复 N 轮论文默认 5 轮挑战者根据当前出题技能批量生成一批带评分细则的考题推理者拿着自己的解题技能 原文逐一作答裁判逐条对照细则打分把题目分成 “答对”“答错” 两类答错的题交给推理者侧提议者找知识缺口生成器更新解题技能答对的简单题交给挑战者侧提议者优化出题逻辑生成器更新出题技能本轮最难错题、最简单成功题存入两套探针题库用于后续筛选最优技能进入下一轮循环双方技能同步迭代变强。通过这种出题、答题、诊断失败、更新Skill、再出更难的题的循环推理者的能力被一步步逼了出来挑战者出的题也越来越刁钻双方在迭代中共同进化。所有更新都发生在Skill层面不涉及任何模型参数的调整。跨时间回放机制防止AI走火入魔在自我博弈的过程中很容易出现一种叫**“对抗崩塌”**的现象。随着迭代进行挑战者会越来越极端专门针对推理者的薄弱环节出题。推理者的Skill则过度专精于这些极端案例导致冗余积累、泛化能力下降。更麻烦的是循环内部根本无法察觉这个问题裁判只评估当前批次的任务不会告诉你早先掌握的知识有没有在后续更新中被破坏。Ctx2Skill的解决方案是跨时间回放在每一轮迭代中收集最难的一道失败题和最易的一道成功题分别放入“困难题库”和“简单题库”。自博弈结束后用历史上每一版的推理者Skill重新回答这两个题库中的所有问题选出在困难题和简单题上表现最均衡的那个Skill版本。这套机制会自动放弃后期过度偏科的技能选出兼顾基础通用场景 复杂难题、平衡性最好的技能完美解决对抗崩塌。产出的Skill怎么用整套 Ctx2Skill 跑完只会输出一份纯文本形式的推理者Skill集使用门槛极低不需要微调大模型权重不用训练、不用额外算力推理时把这份Skill直接拼接在模型系统提示词最前面面对同一份文档的任意全新问题模型会按照Skill里的标准化流程分析、作答。还有一个特性Skill跨模型可迁移用更强大模型GPT-5.1生成的技能套在弱模型GPT-4.1上也能显著提升答题正确率反过来弱模型产出的Skill给强模型用提升幅度会偏小但依然有正向效果。效果如何研究者用CL-Bench基准测试进行了验证该测试包含四个类别的上下文学习任务领域知识推理、规则系统应用、程序化任务执行、经验发现与模拟。值得注意的是GPT-4.1加上Ctx2Skill后16.5%表现甚至超过了Gemini 3 Pro无Skill时的水平15.8%说明这些自主发现的Skill确实能弥补模型本身的能力差距。在Skill质量评估中Ctx2Skill生成的Skill在真实度、清晰度、有效性、可复用性和简洁性五个维度上都显著优于基线方法。总结与展望Ctx2Skill的核心贡献在于证明了语言模型可以通过自博弈的方式从复杂上下文中自主提炼可复用的Skill无需人工标注也无需外部反馈信号。这套框架的价值不仅在于它提升了模型在基准测试上的表现更在于它提供了一个可扩展的范式在面对任何新领域、新文档时我们都可以让模型自己读出其中的规则和精髓转化成Skill文档然后在推理时重复使用。当然这项工作也有局限受限于API预算论文只进行了5轮迭代、每轮5个任务。更大的迭代次数或每轮更多任务是否会带来更优结果还有待探索。未来的一个有趣方向是将Ctx2Skill扩展到可验证的领域如数学把执行反馈或形式化验证作为额外的奖励信号或许能构建更紧密的进化循环。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
