Repo-To-Skill：从GitHub仓库蒸馏AI研究技能库

自主智能体已开始端到端地执行机器学习（ML）研究。这些智能体将模型骨干与用于规划、执行、记忆和验证的框架相结合，但这种架构仍将领域特定的专业知识排除在智能体之外。我们将这一缺失的层称为操作知识，即区分“知道一种方法”与“使其真正起作用”的专业诀窍。该知识并非在该领域缺席。它出现在代码库和论文中，但形式是为人类读者编写的，且规模过大，无法在任务期间加载。一旦将其提炼为紧凑且经过验证的技能，这些知识便可在不同任务间复用，而无需在每次运行时重新发现。 我们提出了 DisCo，这是一种由技能驱动的研究智能体，能够在研究过程中创建并使用技能。其提炼过程以两种互补的形式运行：一种是任务无关的，将领域内广泛使用的代码库浓缩为可复用的技能；另一种是任务导向的，生成具体任务所需的技能。前者应用于开放生态系统中，产生了 AREX-Skill Library，其中包含从 1,000 个广泛使用的 ML 代码库中提炼出的 5,000 多个经过验证的技能，并 organized 成 20 个领域和 178 个能力族。在固定使用 GPT-5.5 骨干、研究框架以及下游执行预算的情况下，配备技能的 research agent 在 MLE-bench 上的得分比没有技能的同一智能体高出 134.3%，在 PaperBench 上高出 34.4%，在 FrontierCS 上高出 9.2%，在 PassNet 上高出 14.0%。这些增益来自于在固定设置下添加提炼后的操作上下文。