Runlayer工程师Wilinski：智能体自主蒸馏技能与组织知识复用

当智能体能够执行长达数小时的复杂任务时，一个错误的初始假设可能导致其花费数百次工具调用去验证死胡同。Runlayer创始工程师Rafal Wilinski指出，传统的模型能力提升或提示工程优化无法完全解决这一问题，因为缺乏针对特定公司环境的“程序性知识”。他的解决方案是构建“技能”（skills）——即智能体在需要时可读取的剧本（playbook），并利用模型上下文协议（MCP）作为这些技能的统一分发层。

Wilinski认为，当前技能生态面临三个主要障碍：一是开发导向过强，非技术人员难以创建和维护；二是编写耗时，员工在完成困难工作后往往没有动力记录过程；三是客户端支持不均，许多LLM应用无法直接加载本地技能文件。为了解决这些问题，Runlayer采用MCP服务器作为中央知识库。客户端不再安装本地技能副本，而是通过查询远程MCP服务器获取相关技能。这种架构不仅解决了兼容性问题，还允许企业根据角色和政策动态管理知识的访问权限。

更关键的创新在于技能的生成方式。借鉴Voyager Minecraft智能体的思路，Runlayer让智能体在执行真实工作时自动积累知识。系统会分析成功的运行痕迹，由前沿大模型将其蒸馏为可复用的技能代码或指令；同时，失败的运行痕迹也被视为宝贵信号，用于揭示缺失的护栏、依赖项或边缘情况。这一过程是异步且自主的，无需人工介入编写文档。

Wilinski展示了一个具体案例：在使用Sonnet 4.6模型尝试在AWS Lambda环境中运行Chromium分支的任务中，初始成功率仅为36%（25次尝试中成功9次）。启用自改进机制后，一次成功的运行被蒸馏成技能并注入后续所有尝试，成功率跃升至100%（25次全部成功）。虽然这是一个单一任务的内部测试结果，但它证明了通过保留和复用“硬赢来的教训”，可以显著降低重复探索的成本并提高可靠性。

该方法的最终愿景是建立“组织飞轮”：即使底层模型发生更替或降级，公司内部积累的经过治理的技能库依然可用。这不仅是一种技术架构，更是一种战略资产，旨在将分散的个人经验转化为公司层面的持久能力。然而，读者需注意，这种自动化循环依赖于严格的安全检查（如防止提示注入和PII泄露），且目前的效果主要在特定受控环境中得到验证，尚未证明其在所有复杂业务场景中的普遍适用性。