EffiSkill：基于智能体技能的代码效率自动优化框架

EffiSkill将慢速到快速的代码转换建模为可复用的智能体技能，通过执行无关的诊断和技能检索，在EffiBench-X上较最强基线提升3.69至12.52个百分点，展示了机制级技能复用在代码优化领域的价值。

代码效率是软件质量的核心维度，但利用大语言模型（LLM）进行程序优化仍具挑战。现有方法依赖一次性重写、检索示例或基于提示的搜索，缺乏显式可复用的优化知识，限制泛化能力。人类程序员依赖可迁移的优化技能（如循环展开、哈希表替换线性搜索），EffiSkill旨在让LLM系统具备这种技能复用能力。

EffiSkill的关键洞察是将反复出现的慢速到快速转换建模为智能体技能，解耦优化知识与具体代码。采用两阶段架构：1）从大规模慢速/快速程序对中挖掘操作技能（具体转换模式）和元技能（高层策略），构建技能库；2）将技能库应用于未见过的程序，通过执行无关的诊断、检索、计划组合和候选生成完成优化，无需运行时反馈。

技能挖掘与表示：技能库包含操作技能（如列表推导式转生成器、set实现O(1)查找）和元技能（如先优化算法复杂度再优化常数因子）。技能通过对比学习获得语义表示，支持有效检索。优化流程：诊断阶段（静态分析识别性能瓶颈）→技能检索与适配（匹配并适配技能到当前上下文）→计划组合（元技能指导技能顺序，生成优化候选）。

在EffiBench-X基准测试中，EffiSkill较最强基线提升3.69至12.52个百分点，不同模型和语言设置下提升一致。执行无关设计使优化速度较依赖运行时反馈的方法提升数个数量级。技能库可扩展性强：加入更多程序对后，优化成功率持续提升。

1）技能复用范式：显式技能表示提升可解释性和可控性，可扩展到代码补全、缺陷修复等任务；2）执行无关优化的可能性：静态分析结合知识驱动方法可实现有效优化；3）人机协作模式：系统提供候选，人类审查，适合生产环境。

应用场景：CI/CD性能回归防护（检测并修复性能下降）、遗留代码现代化（替换过时实现）、编程教育（展示优化技巧）。未来研究：技能库自动扩展、跨语言技能迁移、结合运行时分析、提升技能表示精度。