Repo-To-Skill：将GitHub仓库提炼为AI4AI技能

自主智能体正开始端到端地开展机器学习（ML）研究。这些智能体将模型主干与用于规划、执行、记忆和验证的框架相结合，但这一架构仍将领域特定的专业知识排除在智能体之外。我们将这一缺失层称为操作知识，即区分“了解方法”与“使其奏效”的诀窍。这类知识并非不存在于该领域，它出现在代码库和论文中，但形式是为人类读者编写的，且在任务过程中因体量过大而难以加载。一旦被提炼为紧凑且经过验证的技能，这些知识便可在任务间复用，而非在每次运行中重新发现。

我们提出DisCo，一种以技能驱动的研究智能体，它在研究过程中创建并使用技能。其提炼过程以两种互补形式运行：任务无关型，将领域广泛使用的代码库浓缩为可复用技能；以及任务导向型，生成具体任务所需的技能。前者应用于开放生态系统，产出了AREX-Skill库，包含从1000个广泛使用的ML代码库中提炼的5000多项已验证技能，并组织为20个领域和178个能力族。在固定使用GPT-5.5主干、研究框架和下游执行预算的条件下，配备技能的研究智能体在MLE-bench上得分提高134.3%，在PaperBench上提高34.4%，在FrontierCS上提高9.2%，在PassNet上提高14.0%，均高于未配备技能的同一智能体。这些提升源于在该固定设置下添加了提炼后的操作上下文。