Trace2Tower：基于过渡感知特征轨迹诱导的多层级技能塔构建

大语言模型智能体在处理复杂交互式任务时，越来越依赖于执行轨迹来学习和掌握技能。然而，当前的主流范式往往受限于浅层的轨迹检索机制和平坦的技能总结方式，这在根本上忽视了智能体行为中至关重要的时间依赖性以及结果条件化的拓扑结构。这种局限性导致智能体难以从历史经验中提炼出深层、通用的行为模式，从而限制了其在长程任务中的泛化能力。为了解决这一核心痛点，研究团队提出了Trace2Tower框架，这是一种过渡感知的特征轨迹诱导方法。该框架的核心贡献在于它不仅仅是对轨迹进行简单的复制粘贴或浅层匹配，而是通过一种全新的蒸馏机制，将杂乱的原始轨迹转化为结构化的、稳健的技能层级体系。这一转变使得智能体能够从低级的步骤交互中抽象出高级的任务策略，从而在复杂环境中实现更高效的决策与执行，标志着智能体技能学习从平面化向层级化、结构化迈进的重要一步。

在技术实现层面，Trace2Tower采用了一套精密的图构建与谱分解流程。首先，框架将原始的步骤级交互抽象为标准的"事件"单元，这些事件捕捉了智能体与环境互动的关键语义信息。随后，它构建了一个统一的图结构，该图受到三大核心要素的约束：语义兼容性确保事件间的逻辑连贯性，过渡动态捕捉状态转移的概率特征，而结果证据则用于评估行为路径的有效性。在此基础上，研究团队引入了一种新颖的对比谱分解算法。这一算法能够从复杂的图结构中分离出稳定的、与成功结果高度对齐的行为模式，同时通过严格的数学约束抑制那些虽然短期有效但长期来看容易导致失败的捷径行为。这些被提取出的行为模式随后被有机地填充到一个动态的"技能塔"中。

该技能塔包含三个层级：底层的动作模板、中层的程序性例程以及顶层的宏观任务策略。整个技能塔并非静态不变，而是通过验证器引导的反馈机制进行持续 refinement，确保技能库随着智能体经验的积累而不断进化，形成闭环的学习系统。为了验证Trace2Tower的有效性，研究团队在两个极具挑战性的基准数据集上进行了广泛实验：ALFWorld和WebShop。在ALFWorld环境中，Trace2Tower取得了87.31%的成功率，这是一个显著的性能提升。更为重要的是，该模型在达成高成功率的同时，仅平均使用了10.35个步骤，并产生了0.26次无效动作，显示出极高的执行效率。在WebShop这一更复杂的网页购物任务中，Trace2Tower也达到了50.67%的精确成功率。

消融实验进一步揭示了各组件的贡献，证明了过渡感知机制和对比谱分解在提取高质量技能模式中的关键作用。与现有的基线模型相比，Trace2Tower不仅在最终的任务成功率上占据优势，更在上下文高效的经验复用能力上表现出显著的优越性。这意味着智能体能够更快地从少量成功轨迹中学习，并在新任务中快速迁移和应用这些技能，极大地降低了训练成本和推理延迟。Trace2Tower的提出对开源社区、工业落地以及后续研究具有深远的意义。对于开源社区而言，该框架提供了一种可解释、结构化的智能体技能管理范式，鼓励研究者从拓扑和谱分析的角度重新审视智能体学习过程。在工业落地方面，其高效的经验复用能力和低无效动作率使得智能体在资源受限的真实应用场景中更具可行性，特别是在需要长时间交互和复杂决策的服务机器人或自动化工作流领域。此外，该框架所提出的动态技能塔概念，为构建具备终身学习能力的通用智能体提供了新的技术路径。后续研究可以在此基础上探索更大规模的技能库构建、跨领域的技能迁移以及更复杂的验证器设计，进一步推动大语言模型智能体向更高级的认知和自主决策能力演进，为解决现实世界中复杂的长程任务提供强有力的技术支撑。