清华大学与EvoMap团队的最新研究呈现了一个完全反常识的结论给模型提供两千五百个Token的详细纠错Skill反而会导致基准测试通过率大幅下跌换成两百多个Token的精简控制指令却能实现性能的逆势飙升。让智能体吸纳过往经验来提升任务表现是当下前沿探索的热门方向。人们往往直觉性地认为给大语言模型喂入的经验手册越详尽、包含的上下文越丰富模型在面对新任务时就越游刃有余。清华大学与EvoMap团队的最新研究呈现了一个完全反常识的结论给模型提供两千五百个Token的详细纠错Skill反而会导致基准测试通过率大幅下跌换成两百多个Token的精简控制指令却能实现性能的逆势飙升。业界长期习惯将机器的过往犯错经历打包成详尽的说明文档Skill寄希望于模型能像人类一样阅读理解并举一反三。研究团队打破了这个惯性认知提出将长篇大论的程序化Skill转化为短小精悍的策略基因Gene。通过4590次严格对照实验证实面向机器推理的控制型经验载体远比面向人类阅读的文档型载体更适合驱动智能体的测试时演化。经验重载的迷路当前的大语言模型智能体正朝着积累并复用经验的方向进化。从文本反思、外部记忆到可执行Skill库大多数研究默认有用的经验应当被完整地储存、检索和回放。为了让经验更具可操作性许多方法将经验组织成带有明确接口和适用条件的程序化单元。人们理所当然地推断越是完整和结构化的经验表示越有利于后续的任务求解。清华大学与EvoMap团队对上述假设发起了直接的挑战。团队选取了涵盖45个复杂科学代码求解场景的基准库展开测试。具体任务跨度极大包括蛋白质解析、紫外可见光谱峰值检测、系外行星凌日分析、地震目录处理、气候归因等领域。每次试验均在沙盒中执行生成的Python程序并通过检查点机制评估准确度。在紫外可见光谱分析任务中模型需要读取数据、检测峰值、计算半峰全宽并输出结构化结果。常见的错误往往不在于模型缺乏高阶任务理解能力而是出自对底层代码库的不当调用。将最小距离参数错误地视作波长值而非样本索引未将宽度计算结果转换回波长单位等都是典型的执行偏差。传统做法是将历史教训整理成一份详尽的程序化Skill文档包含任务概述、工作流描述、辅助参考资料等篇幅通常在2500个Token左右。该形态高度贴合人类的阅读习惯便于存档和知识转移。结果实验对比数据打破了文档至上的神话。上表展示了基础设定的测试结果无指导的基线设定下平均通过率为51.0%。当引入厚重的程序化Skill文档时双模型平均通过率跌至49.9%在Gemini 3.1 Pro Preview模型上更是从60.1%重挫至50.7%。一味堆砌经验内容不仅无法转化为有效的测试时控制信号反而会对高能力模型产生严重的干扰。剥离冗杂的Skill包装研究团队进一步将臃肿的程序化Skill文档拆解试图找出真正起作用的控制信号。详尽的文档中到底有哪些内容真正对模型推理起到了正向引导作用。拆解实验给出了残酷的答案。程序化Skill文档内部的效用分布极度不均。仅有工作流部分能够带来明确的正向收益而诸如概述等描述性段落则表现出强烈的负面影响。绝大部分文档内容根本无法作为可执行的控制信号发挥作用真正有价值的信号极其稀疏且高度集中在极窄的操作指南切片中。研究人员测试了同等预算下的表现差异。将2500 Token的文档激进地裁剪至与策略基因相当的230个Token预算后缩减版的片段表现确有回升部分证实了此前性能低迷确实源于包装过载。即便经过极限瘦身缩减版Skill依然全面落后于策略基因。程序化Skill的核心缺陷不在于缺失知识而在于知识的呈现方式。长篇幅的文档确实包裹着有用的信息但高价值的指令信号被海量的说明性文字严重稀释。人类视角的详尽解说在模型受限的推理预算和注意力分配机制下彻底沦为沉重的认知负担。策略基因的紧凑革命为了探索真正适合模型的经验载体研究团队引入了策略基因Gene与基因演化协议GEP。策略基因是对过往经验的全新抽象它摒弃了文档的完整性将重心转向高密度的信号、清晰的适用边界和强烈的控制相关性。典型的策略基因实例仅包含极简的匹配关键词、简短摘要、核心策略步骤以及明确的回避警告。它舍弃了冗长的背景铺垫直接向模型输出任务控制界面的关键参数。如对照表所示策略基因带来了截然不同的性能表现。230 Token的基因组将双模型平均通过率推升至54.0%实现了3.0个百分点的绝对增长。在Pro模型上保持59.9%的高位同时将Gemini 3.1 Flash Lite Preview从41.8%大幅拉升至48.2%。研究团队逐步剥离并重组策略基因的内部结构。纯关键词变体拿到了53.5%的成绩增加摘要后表现平平直到补齐完整的策略步骤性能才达到巅峰的54.0%。单纯缩减字数并非制胜关键真正的飞跃发生在经验被凝练重组为行动策略的那一刻。抗干扰测试揭示了策略基因的稳健性底色。人为替换错误的算法或毫不相干的领域信息会引发性能的雪崩平均通过率瞬间跌落至48.8%和49.4%。将策略优先级倒置或者添加过度限制的约束条件对整体表现的破坏微乎其微过度约束变体甚至逆势升至55.9%。只要核心策略内容对齐了当前任务字面结构的扭曲并不会摧毁其控制效力。试图将基因重新扩展成Skill的尝试均以失败告终。强行附着额外案例或接口说明文档非但无法互补反而导致表现回落至52.0%和51.5%。面向控制的精简对象一旦被文档化材料污染其指令纯度便会遭到破坏。多个基因片段的简单拼接同样无法实现线性增长。组合两个相冲突的基因仍能保持53.2%的及格线凑齐两个互补的基因却让成绩直接垫底至44.9%。在需要极高精度控制的科学场景中多个看似互补的控制对象会相互争夺注意力最终导致控制焦点的彻底模糊。随心所欲的Skill袋堆叠法在严苛的科学评测中宣告破产。面向测试时演化的载体单次推理验证了策略基因的威力。研究团队将视线推向了更长周期的经验累积机制。智能体在不断交互中必然会产生大量犯错记录如何有效地挂载并消化失败履历成为测试载体承载力的试金石。对照数据给出了明确的指引。将失败历史强行塞入自由格式文本中平均成绩仅为49.6%。挂载到程序化Skill文档则引发了灾难性倒退降至47.8%。策略基因展现出了极强的包容性以52.0%的成绩遥遥领先。载体格式的基因优势被再次确立。格式的规整程度直接决定了经验的转化效率。将高度结构化的基因打散为平铺直叙的散文后其优势几乎荡然无存平均成绩滑落至50.5%。规范的结构化协议是维持控制效力的关键。简单粗暴地拼接新旧经验并不可取。将失败记录原封不动地附加在策略基因之后虽然跑赢了其他载体但仍比纯净版基因落后2.0个百分点。提炼失败教训的最佳姿势是将其压缩为简练独立的警告信号。纯粹的失败警告设定取得了54.4%的最佳战绩一举击败了策略优先或失败优先的混合打包方案。经验的累积应当时刻保持克制精准压缩永远优于无脑扩容。为了验证策略基因作为持续演化底座的潜力研究团队在CritPt基准上部署了由OpenClaw运行环境与Evolver演化引擎驱动的基因演化系统。系统围绕结构化的基因展开自我演化通过记忆整合历史因果经验并借助严格的验证机制固化成功更新。演化结果呈现出令人惊叹的爆发力。2026年2月版的早期演化体通过高度死磕错误诊断、影响半径评估与最小可逆补丁的闭环将Pro模型的准确率从9.1%拉升至18.57%。它成功将一次性的试错内化为可无限复用的修复流水线。一个月后迭代出的演化体进一步展现了探索增强的统治力。在70个复杂任务中系统调用了210个基因槽位。在哈密顿逆向设计任务中高频启用的核心基因抛弃了笼统的提示直接罗列出对易、归一化与算符排序等刚性约束在维持索引一致性的前提下将多体链问题完美降解最后通过严苛的符号与数值校验保障数值稳定性。此类从成功履历中榨取出的硬核步骤被反复重用一举斩获27.14%的超高准确率彻底超越了基线水平。从冗长的人类Skill到冷峻精简的策略基因AI吸纳经验应该化繁为简方能释放真正的演化潜能。