46 lines
1.6 KiB
Markdown
46 lines
1.6 KiB
Markdown
---
|
||
title: "Skill Data Flywheel (Skill 数据飞轮)"
|
||
created: 2026-05-29
|
||
updated: 2026-05-29
|
||
type: concept
|
||
tags: ["self-evolution", "data", "flywheel", "training"]
|
||
sources: ["https://mp.weixin.qq.com/s/s__fdyXQG932SavQeeugcw"]
|
||
---
|
||
|
||
# Skill Data Flywheel (Skill 数据飞轮)
|
||
|
||
**Skill Data Flywheel** 是吕明在 SkillOpt 深度解读中识别的正向反馈循环：**Skill 自进化过程中产生的高质量轨迹数据，可以反哺模型层的持续学习，形成飞轮效应。**
|
||
|
||
## 飞轮结构
|
||
|
||
```
|
||
更好的 Skill → 更好的 Agent 执行轨迹 →
|
||
更高质量的训练数据 → 更强的 Model →
|
||
更好的 Optimizer 分析 → 更好的 Skill →
|
||
...
|
||
```
|
||
|
||
## 三类高价值数据
|
||
|
||
SkillOpt 框架运行中自然产生的训练数据：
|
||
|
||
| 数据类型 | 来源 | 训练价值 |
|
||
|----------|------|----------|
|
||
| **因果分析** | Optimizer 分析 Agent 成败原因 | PRM（过程奖励模型）训练 |
|
||
| **进化轨迹** | 初始 Skill → 最优 Skill 的路径 | 分阶段训练策略示范 |
|
||
| **编辑决策** | 验证集评判的接受/拒绝记录 | 对齐训练偏好数据 |
|
||
|
||
## 实例
|
||
|
||
MetaClaw 的双循环机制中，Opportunistic Policy Optimization 正是利用 Skill 进化产生的更高质量轨迹进行 RL-PRM 训练。
|
||
|
||
## 与企业资产的关系
|
||
|
||
飞轮在企业私有化部署中的特殊价值：所有数据（Skill 优化轨迹、验证集、编辑决策）都保留在企业内部，形成 **具有竞争壁垒的自进化能力**。
|
||
|
||
## 相关
|
||
|
||
- [[skillopt]] — 飞轮的起点
|
||
- [[dual-layer-rl]] — 飞轮在 RL 框架中的形式化
|
||
- [[skill-as-external-state]] — 飞轮为何可能
|