OpenClaw-Skill: Collective Skill Tree Search for Agentic Large Language Models

📄 arXiv: 2606.16774v1 📥 PDF

作者: Tianyi Lin, Chuanyu Sun, Jingyi Zhang, Changxu Wei, Huanjin Yao, Shunyu Liu, Xikun Zhang, Liu Liu, Jiaxing Huang

分类: cs.AI, cs.CL

发布日期: 2026-06-15

备注: 13 pages, 2 figures

💡 一句话要点

提出Collective Skill Tree Search以增强大型语言模型的技能

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 技能构建 集体智能 树搜索 多步推理 动态环境交互 工具使用

📋 核心要点

  1. 现有大型语言模型在复杂任务中缺乏有效的技能，导致其在工具使用和动态环境交互方面的能力不足。
  2. 本文提出Collective Skill Tree Search（CSTS）框架，通过集体智能构建可重用的技能树，提升LLM的多步推理和工具使用能力。
  3. 实验表明，OpenClaw-Skill模型在长时间规划和复杂基准测试中表现优异，展示了显著的技能应用能力。

📝 摘要（中文）

为了解决在复杂任务中大型语言模型（LLM）技能不足的问题，本文提出了一种自动构建可重用技能的框架，旨在提升LLM在工具使用、多步推理和动态环境交互中的能力。我们提出的Collective Skill Tree Search（CSTS）是一种新颖的基于树搜索的技能构建框架，通过集体智能共同搜索、识别和组合有效技能。CSTS通过两个迭代阶段：集体技能节点生成（CSN-Gen）和集体技能节点评估（CSN-Assess），实现了结构化、多样化和可推广的技能树构建。实验结果表明，训练后的模型OpenClaw-Skill在长时间规划、工具使用和泛化能力上表现出色。

🔬 方法详解

问题定义：本文旨在解决大型语言模型在复杂任务中技能不足的问题，现有方法往往无法有效构建和利用多样化的技能，导致模型在动态环境中的表现不佳。

核心思路：我们提出的CSTS框架通过集体智能的方式，利用多个模型共同搜索和评估技能，构建出结构化且可重用的技能树，以增强模型的能力。

技术框架：CSTS框架包含两个主要阶段：集体技能节点生成（CSN-Gen）和集体技能节点评估（CSN-Assess）。CSN-Gen阶段从多个模型中提取知识，探索多样化的候选技能；CSN-Assess阶段则通过两个评分机制评估技能节点的有效性和可转移性。

关键创新：CSTS的创新在于通过集体智能实现技能的共同搜索与评估，尤其是引入了集体质量评分和集体转移评分机制，使得技能的构建更加全面和可靠。

关键设计：在CSN-Gen中，利用多个模型的集体知识生成候选技能；在CSN-Assess中，采用独立评估的方式进行技能有效性评分，确保技能的泛化能力。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，OpenClaw-Skill在长时间规划和复杂任务上表现优异，相较于基线模型，技能应用能力提升了显著的百分比，展示了其在多步推理和工具使用方面的优势。

🎯 应用场景

该研究的潜在应用领域包括智能助手、自动化工具和复杂任务解决方案等。通过增强大型语言模型的技能，能够在多种实际场景中提供更高效的解决方案，推动人工智能在实际应用中的发展。

📄 摘要（原文）

Equipping Large Language Model (LLM) agents with effective skills is crucial for solving complex tasks in real-world systems like OpenClaw. In this work, we aim to develop a framework that automatically constructs such reusable skills to enhance LLMs in tool use, multi-step reasoning, and dynamic environment interaction. To this end, we propose Collective Skill Tree Search (CSTS), a novel tree-search-based skill construction framework that constructs structured, diverse and generalizable tree of skills. The core idea of CSTS is to leverage collective intelligence to jointly search, identify and compose effective skills via two iterative phases: Collective Skill Node Generation (CSN-Gen) and Collective Skill Node Assessment (CSN-Assess). CSN-Gen exploits collective knowledge from multiple models to explore diverse candidate skills for each subtask, enabling comprehensive skill exploration. CSN-Assess employs multiple models as judges to evaluate and select skill nodes with two scoring mechanisms: (1) collective quality scoring that aggregates independent evaluations to produce a robust estimate of skill effectiveness, and (2) collective transferability scoring that explicitly verifies whether a skill generalizes well across different models. With CSTS, we construct a set of comprehensive tree of skills along with skill-augmented training data, enabling models to effectively learn and utilize skills. Besides, we introduce Collective Skill Reinforcement Learning, which actively selects multiple relevant skills from the tree to broaden solution-space exploration, avoid being trapped by a single skill and its resulting homogeneous or suboptimal solutions. As a result, our trained model, OpenClaw-Skill, exhibits outstanding agentic capabilities in long-horizon planning, tool use and generalization over challenging benchmarks.