一句话结论
这篇论文解决的是：技能记忆作为文本提示能增强强化学习智能体，但把智能体自己生成的记忆直接做同策略自蒸馏时，噪声、功能纠缠、冗余和冲突会让有限训练预算下的知识内化变差；MDSKILL 用多视图筛选与蒸馏把技能记忆整合进共享策略，在 ALFWorld 与 WebShop 上把当前最优性能最多推高 7.1% 和 8.1%，且不增加额外计算开销。
方法要点
核心思路不是再引入一个更强外部教师，而是把“技能记忆”先拆开，再蒸馏回同一个策略。论文指出，技能记忆以文本提示形式记录过去经验，可补强强化学习；同策略自蒸馏则用技能引导轨迹提供更密集的监督。问题在于，自生成记忆里常有噪声监督，且知识在功能上纠缠、冗余或冲突，直接蒸馏很难学干净。训练预算有限时，这种直接蒸馏可能拖累内化，甚至让性能退化。
MDSKILL 的关键设计有两层。第一层是把技能记忆组织成三个互补功能视图：状态落地、动作规划、执行控制。每个视图关注不同功能，避免把所有经验混在一个提示里。第二层是用动态指标挑选高质量技能，构造“视图特定推理分支”和“集成推理分支”。随后，同策略自蒸馏在这些分支之间迁移、整合互补经验，把技能引导轨迹中的知识收进共享策略。这样做的直接收益是：不需要额外计算开销，也不依赖更强外部教师模型。
按论文摘要与全文的方法描述，可把训练流程简化成下面伪代码。注意这不是原论文逐行实现，动态指标的具体定义、损失函数形式和分支构造细节需看全文。
输入：基础策略 πθ，技能记忆库 M，任务分布 T
视图 V = {状态落地, 动作规划, 执行控制}
for 每轮训练:
采样任务 x ~ T
for v in V:
M_v = 用动态指标从 M 中选与视图 v 匹配的高质量技能
τ_v = 用 πθ 在技能提示 M_v 下采样技能引导轨迹
τ_int = 由 V 的分支构造集成推理分支
L = 蒸馏损失(τ_V, τ_int, πθ) # 将互补经验整合回共享策略
θ ← θ - η∇L
返回 πθ
从工程角度看，MDSKILL 把“记忆质量”和“蒸馏目标”拆成了两个可控环节：先用视图和动态指标筛记忆，再让多个分支提供互补监督。它要验证的不是“记忆越多越好”，而是“筛选后的记忆能否在有限预算内被策略吸收”。
关键数字
论文摘要报告的是相对当前最优性能的提升上限，没有在摘要中展开绝对分数和指标名。下表只写原文给出的提升幅度，不补造绝对值。
| 数据集 | 指标 | 对比基线 | 提升幅度 |
|---|---|---|---|
| ALFWorld | 当前最优性能（摘要未展开指标名） | 不依赖更强外部教师模型的强化学习、技能增强、自蒸馏基线 | 最高 7.1% |
| WebShop | 当前最优性能（摘要未展开指标名） | 同上 | 最高 8.1% |
这两个数字对应的条件是“不增加额外计算开销”。论文称在多个智能体基准上评测，摘要点名 ALFWorld 与 WebShop；其他基准名称、绝对分数、方差和具体指标定义没有在给定摘要中列出，因此不在这里补写。消融与演化分析在摘要中只作为有效性验证被提及，没有给出可引用的细分数值。