SimSkill：面向交通仿真自主掌握的终身学习AI Agent

arXiv:2609.03753v1 公告类型：new

摘要：随着大语言模型（LLM）能力日益增强，AI 系统的长期价值不仅取决于解决单个请求，还在于将经验与积累的知识转化为持久、可复用的能力。我们提出 SimSkill，一个围绕城市交通仿真（SUMO）交通模拟器构建的自进化 Agent。SimSkill 识别能力缺口，生成并求解基于环境的任务，通过 action–critic 循环验证解决方案，并将经验整合为情景记忆、程序记忆和语义记忆，而无需更新 backbone 模型。通过自主探索，它构建了一个覆盖交通仿真工作流的可复用库。我们在两个 held-out benchmark 上对 SimSkill 进行评估，使用三个 backbone LLM 并采用独立的基于产物的验证。SimSkill 将验证通过率提升最高达 25 个百分点，消融实验表明程序记忆与语义记忆具有互补贡献。其收益仍取决于 backbone 与预算：记忆机制并非对所有模型都有提升，也不能均匀降低推理成本。更 broadly 而言，SimSkill 展示了一种设计范式——自然语言用于保留和组合计算能力，而可执行工具与代码提供精确且可复现的执行。所有代码与实验数据均已公开：https://github.com/qiliuchn/SimSkill-V1。