从成功轨迹中提炼 Agent Skills 已经很常见，但逐条保存会制造另一个问题：同一类任务积累大量近似技巧，检索时互相竞争，失败经验也难以修正已有规则。SkillGLoW 把技能学习从“追加笔记”改成 过程家族的持续合并 。
#先找到同一家族，再决定怎么改
系统按解决过程而不是任务表面措辞对经验聚类。新轨迹到来后，只更新最相关的局部技能家族；模型可以合并共同步骤、保留条件分支、修订错误规则，也可以拒绝没有增量的信息。
SkillGLoW 从轨迹到过程家族再到技能库的整体流程
关键环节是 commit gate：候选技能不会因为写得通顺就进入库，而要通过效用、一致性和覆盖检查。这样，技能更新更像代码合并，而不是无限增长的个人笔记。
候选技能通过提交门进入稳定技能库
#四类任务、三个模型全部正增益
评测覆盖数学、终端操作、软件修复和具身环境，三个模型形成 12 个模型—任务组合，全部取得提升。困难子集相对无技能基线平均提高 17.2 个百分点；局部再生成带来 18.0 点提升，技能库同时缩小 3.6 倍。ALFWorld 上的成功率从 73.9% 提升到 83.9%。
#Skills 需要生命周期，而不是文件夹
这项工作提供了一套可落地的技能库控制面：捕获经验、识别家族、生成候选、门控提交、压缩冗余、保留回滚。它把 Skills 从静态提示文件提升成可测试、可演化的程序资产。
真正值得带走的结论是，技能数量不是能力指标。一个更小、边界清晰、知道何时适用并经过回归测试的技能库，通常比几千条互相重叠的经验更可靠。