你寫的Skill，正在拖慢模型？策略式Gene才是正確答案

有這樣一種「Agent 玄學」： 你已經把任務背景寫清楚了，把流程拆清楚了，把常見坑、API 用法、示例代碼、注意事項都塞進去了，甚至還專門寫了一份長長的 Skill 文檔。可下一次同類任務再來，模型還是可能在同一個地方犯錯。

這套路徑有一個共同前提：經驗作為一份內容被存儲、召回、調用，再重新喂給模型，就會帶來提升。

深挖這個現象，是一個有趣、有用、但「反直覺」的問題：包羅萬象的詳細文檔，不等于高質量控制對象。

行業真正看錯 Skill 的地方，就在這里。大家把 Skill 當成了智能復用的終點，卻忽略了模型并非 “閱讀” 一份文檔，而是在有限推理預算里尋找下一步策略、哪些行為必須避免、什么約束優先級最高。

對人類工程師來說，完整性意味著安全感與規范；但對模型來說，完整性很多時候意味著信號被稀釋、重點被沖淡、控制被背景材料淹沒。也就是說，Skill 的強項恰恰建立在它服務人類理解之上，而不是服務模型在當下任務中的決策

最近，EvoMap 團隊（Infinite Evolution Lab × 清華大學）圍繞這個問題做了系統研究，提出了一個極具記憶點的新概念：Gene（基因）。靈感源于生物學中，基因是編碼蛋白質的 DNA 片段，源自千百年來傳承的共同記憶和經驗，而 Agent 的基因則是通過 GEP 協議的機制沉淀下來可驗證可復用的知識資產

• 論文標題：From Procedural Skills to Strategy Genes: Towards Experience-Driven Test-Time Evolution
• 作者：Junjie Wang, Yiming Ren, Haoyang Zhang
• 機構：Infinite Evolution Lab（EvoMap）× 清華大學
• arXiv：https://arxiv.org/abs/2604.15097
• Evolver（進化引擎）：https://github.com/EvoMap/evolver
• CritPt 任務復現倉庫：https://github.com/EvoMap/critpt-openclaw-reproducible-70

論文用45 個科學代碼場景下的 4,590 次受控實驗+ CritPt benchmark 上的端到端驗證向我們展示了：

當同一份底層經驗被分別注入模型時，完整 Skill 包反而低于無指導基線，而十多倍更短的 Gene 對象穩定取勝。

這個偏好不只出現在「寫 Prompt」那一刻，它一路傳導到了「Agent 在測試時如何持續進化」這件事的設計原理上。很多時候決定 Agent 是否聰明的，不是「你存了多少經驗」，而是「經驗回到模型那一刻，長什么形狀」。

這啟發了什么？今天行業談起 Agent 優化，關鍵詞永遠是：更強基模、更長上下文、更高級的 RAG、更復雜的 memory 系統。但 Gene 揭示了經驗復用的關鍵，不是給模型更多內容性的提示，而是把經驗做成一個緊湊、面向控制、可持續進化的對象。這件事在過去幾乎被整個 Agent 圈忽視了。

What is Gene？

EvoMap 團隊研究發現：給模型用的經驗對象，應該按「控制密度」而不是「文檔完整性」來設計。

但團隊并未止步于這一經驗觀察，在 4,590 次受控實驗里把現象固化后，EvoMap 團隊定義了一套可復制、可變異、可遺傳的解決方案策略，Gene 是其中完整的對象層三層 framework 的一部分：

Gene ：含 keywords + summary + strategy + AVOID 四類信號，能直接當 test-time 控制片注入

為 Agent 的可復用進化策略模板。它定義了「在什么情況下、做什么事、遵守什么約束」—— 相當于先驗知識的編碼。

一個完整的 Gene 包含 signals strategy constraints validation 等字段和唯一的 asset_id

在極短的 Token 限制下，具備極高的控制密度，明確了模型參考的觸發信號「支持子串匹配、正則和多語言別名」，有序的可執行步驟與執行驗證和安全邊界「限制變更范圍和禁止觸碰的路徑」以及基于 SHA-256 的內容尋址哈希，不可篡改。

Capsule：被驗證過的任務級執行路徑 + 審計記錄；

Event：不可變的進化日志。

這三件套被一個六階段循環串起來，構成 GEP（Gene Evolution Protocol）協議：

詳見：https://evomap.ai/wiki/16-gep-protocol

用大白話來說，整套操作流程是這樣的：

• 先將過去的失敗、成功、修復路徑蒸餾成 Gene（不是寫文檔，而是寫可溯源控制信號）；
• 新任務進來時，Scan 任務上下文 → 匹配最相關的 Gene → 當 System Instruction 注入
• 執行完之后，把這次結果以 Event 形式寫回，觸發對 Gene 的 Validate / Mutate / Solidify—— 讓 Gene 池本身在不更新基模參數的前提下持續進化。

Gene 如何 “降維打擊” Skill

所有數據都來自同一套實驗管線：在 Gemini 3.1 Pro Preview（Pro）和 Gemini 3.1 Flash Lite Preview（Flash）兩個固定模型上，用沙盒執行 + Checkpoint 通過率作為指標，溫度 T=0.05，最大輸出 16,384 token。

Skill 輸給 Gene，輸的不是質量，是形態

論文先做了最直接的對比：同樣的底層經驗，分別打成～2,500 token 的 Skill 包和～230 token 的 Gene 對象。

完整 Skill 包在兩模型平均水平上低于無指導基線 1.1pp，更短的 Gene高出 3.0pp。絕的一點是：Skill 不是均勻地差，它在弱模型 Flash 上有提升（41.8→49.0），但在強模型 Pro 上狠狠拖后腿（60.1→50.7）—— 長 Skill 把 Pro 的固有能力直接壓住了。

procedural skill”，也就是今天最常見的文檔式經驗包。它通常包含：overview、workflow、pitfalls、error handling、API notes、examples、scripts，而通過實驗看到底是哪一段在起作用：

只有 Workflow 一段在認真起作用，Overview 反而是全文最大的負貢獻。Skill 的有用信號是稀疏的、集中在一小段程序性內容里，其余大量「為人類可讀性服務」的材料，反而稀釋甚至污染了控制信號。

Skill 輸給 Gene，輸的不是知識量與信息密度，而是受控對象選擇。

給人看的東西塞進模型的執行預算，反而會成為控制噪聲。

Gene 不僅僅是 “少則全，多則惑” 的提示詞

讀到這里，最容易冒出的反駁是：「Gene 贏，不就是因為它短、不搶上下文嗎？」

實際上 Gene 針對失敗有三種分類的進化意圖：

論文專門中用預算對齊實驗把 Skill 的有效部分截短到和 Gene 一樣的 230 token：

預算完全相同——Gene 仍然碾壓。剪短確實讓 Skill 不再倒貼分，但它怎么剪都打不到 Gene 的高度

論文還做了漸進式構造，看 Gene 內部到底是哪一層在起作用：

注意第二行：keywords + summary 反而回到無指導基線。真正把表現拔起來的是 strategy 這一層。同樣的字數，組織成「摘要」沒用，組織成「策略」才有用。

Gene 不是更短的 prompt，是不一樣形態的對象。決定模型行為的是控制結構，不是 token 多少；strategy 這一層不可省。

論文的擾動實驗里，最反直覺的一條是：用過時算法范式寫的 stale_paradigm Gene 拿到了 56.6%，比 clean Gene 的 54.0% 還高；但換錯算法掉到 48.8%、換錯領域掉到 49.4%—— 掉分條件就在隔壁。

這兩個結果合起來才完整，Gene 的有效條件是「保留任務相關的控制框架」，而不是「寫得多新」。過期的方法只要框架對仍然好用；新方法如果框架錯，反而拖累。這一對比也提示了 Gene 的魯棒性邊界：結構上很寬容，語義上很挑剔。

總結失敗的最優形態，不是日志，是蒸餾過的警告

所有做 Agent 系統的人都在面對一個問題：失敗該怎么存？

長 trajectory？Reflection summary？Error log？

EvoMap 團隊看向的關鍵問題是：如果工程預算有限，失敗該用什么形式回到模型那里？

論文同時跑了兩組對照。

對照一：失敗放在不同載體里

把失敗往 Skill 或自由文本里塞，全部低于無指導基線。

Gene 是唯一的正貢獻載體 —— 但即便如此，Gene + 失敗仍然不如 Gene 單獨（54.0 → 52.0）。

失敗原樣附加，反而稀釋了 Gene。

對照二：失敗和策略以什么形態混合

最強的不是「失敗 + 策略」混合體，也不是「策略 only」，而是failure warnings only——把失敗蒸餾成一句句獨立的「AVOID xxx」，反而比保留策略本體還強。

也就是說，對 Agent 真正有用的失敗經驗，不長成「日志」，而長成這樣（來自論文 UV-vis 譜學場景的真實 AVOID）：

• AVOID 把 min_distance 當成波長值傳給 scipy.signal.find_peaks，要先轉成采樣點單位
• AVOID 把 peak_widths 的原始輸出直接當 FWHM 上報，要先換回波長單位

這背后的原則非常明確：失敗經驗的累積應該是選擇性壓縮，不是加法式堆疊。

Gene 長什么樣？一個最小可驗證工件

講到這里，應該看一眼一個真正的 Gene 長什么樣。下面是論文 UV-vis 場景的注入示例：

Domain keywords: uv-vis, peak detection, FWHM, unit conversion

Summary: Detect peaks and compute wavelength-domain peak properties correctly

Strategy:

1. Detect peaks with prominence-based criteria

2. Convert min_distance into sample-index units before peak detection

3. AVOID: Report FWHM only after converting peak_widths outputs back to wavelength units

約 230 token，5 個字段。它的對照物是同一份經驗的 Skill 包：

約 2,500 token，包含 overview、workflow、pitfalls、API notes、examples、scripts 等子章節，整體形態接近一份 README。

兩者在論文實驗里使用同一個 systemInstruction 注入槽和同一套 sandbox 評測腳本—— 也就是說，控制條件完全一致，差別只在于「這一段被注入的內容長什么形狀」。

GEP 協議則把這個原始 Gene 進一步規范化為帶 id/schema_version/signals_match/strategy/constraints/validation/asset_id 等字段的可校驗對象—— 目的是讓它能被匹配、替換、修訂、組合，而不是停留在「一段格式好看的 prompt」。

協議層的規矩也變了

Gene最絕的一點，是沒有把「經驗對象」局限在一個討巧的 Prompt 技巧上，而是直接殺到了協議層

在測試時控制（Inference）階段，邏輯非常順滑：同一道科學代碼題，把～2,500 token 的 Skill 包換成～230 token 的 Gene 控制片，模型立刻算得更準。

但在協議層（Protocol）這件事上，EvoMap 團隊拋出了一個更本質的判斷：經驗對象在多 Agent 之間被交換的時候，它必須是一個對象，不能是一段文檔。

為什么？因為沒有協議，Gene 仍然只是一段 prompt—— 邊界不穩、字段無法比較、不能累積。一旦協議化，Gene 就從「提示片段」變成可匹配、可替換、可修訂、可組合的對象，可以被持續修訂、被審計追溯、在多 Agent 之間以一致的方式被使用。

GEP 不是格式細節，而是讓 Gene 從測試時控制對象升格成持久策略優化接口的那一層協議。

實驗結果：CritPt 排行榜的「白嫖式」智能黑馬

為了拿數據說話，EvoMap 團隊把 Evolver 直接拉到 CritPt 這個公開的前沿物理基準上跑端到端結果。

CritPt 是動態的，嚴格模擬真實物理科研過程的數據集，Benchmark 官網：https://critpt.com/

Evolver 是「基模 + Gene 池 + 進化引擎 + 工具鏈」的完整系統

（其中 OpenClaw 作為 host runtime，Evolver 作為進化引擎，Gene/GEP 作為對象與協議層）；近期爆火的 Hermes Agent 也在一定程度上 “借鑒” 了 Evolver 的設計理念

Benchmark70 任務的全量復現答案見 (https://github.com/EvoMap/critpt-openclaw-reproducible-70)。

可以看到：

• Evolver (Gene) 2026-02-16：基模 A 9.1% → 18.57%，+9.47pp
• Evolver (Gene) 2026-03-26：基模 B 17.7% → 27.14%，+9.44pp

不更新一個參數、不加任何 SFT/RL、純靠經驗對象層的進化 —— 同一基模直接被抬升 +9pp 量級。同時，token 消耗從 100 美金降低到不到 1 美金。

2 月 16 日 Gemini3.0 底模實驗結果

Gene，給行業帶來了什么？

EvoMap 團隊構建的 Gene，把一種飄渺的‘直覺’，打造成了一套可定義、可審計、可演化、面向測試時控制的經驗表示方法論。

對應用層，把「寫給同事的 Skill 文檔」和「運行時注入給模型的控制信號」分離開，這可能是一個幾乎沒有成本、見效極快的「魔法」。對做 Agent 長期記憶、做 Reflection 的研究者：失敗的最佳沉淀形態不是 trajectory log 或 reflection summary，而是 AVOID 警告。GPU 吃緊時，留什么經驗不只看采集得對不對，還得看它是不是足夠接得上模型當前的執行預算。

而在多 Agent 經驗交換的設定下，比起傳輸 Skill 文檔，傳輸結構化的 Gene 對象更適合作為協議層載荷—— 因為只有可被匹配、可被修訂、可被驗證的對象，才能在多方之間真正累積和進化。

結論

Gene像一面鏡子，照出了 Agent 經驗復用的本質：

Agent 不是在「讀一份說明書」，而是在「有限推理預算里尋找下一步該怎么做、什么必須避免」。

然而這是雙向的 —— 你給 Agent 喂的經驗對象長什么樣，反過來定義了它能進化成什么樣。

當整個 AI 圈都在為了更長的 context、更花哨的 RAG、更復雜的 memory 系統無腦卷生卷死時，EvoMap 團隊輕巧地給出了一條無比樸素的線索：

讓 Agent 持續變強的捷徑，不是把提示詞寫得更完整，而是把執行經驗做成一個更緊湊、更可控、更可進化的對象。這在 CritPt 這種硬基準上有用，在協議層的多 Agent 經驗交換上更有用，為未來的 A2A 群體智能指明了一條通路。

Agent 時代，下一階段的競爭，不僅是更大的模型和更長的上下文，更是誰能率先針對智能算力的利用效率找到更好的通解

Haoyang Zhang（張昊陽）：95 后連續創業者，EvoMap 創始人 & CEO，GEP（Genome Evolution Protocol）協議作者。OpenClaw 社區現象級開發者，其開發的 Evolver 插件 10 分鐘登頂 ClawHub 榜首、72 小時斬獲 3.6 萬次下載，是最廣為人知的「自進化」工具，后續圍繞這一方向創辦 EvoMap。
Junjie Wang（王軍杰）：EvoMap 首席科學家，研究方向：Agent 自進化、協議層、經驗對象設計。早稻田大學博士，清華大學博士后，長期圍繞「Agent 如何在測試時持續變強」展開系統研究，Evolver 主要開發者之一。