Agent 從一次任務學到的做法，未必能直接套用到新情境；SSL（Socratic Skill Learning）把這種「學會與重用」拆開，讓 Student 練習、提問及編寫 Skill，再由全新的 solver 接手未見任務。南京大學 NJU-LINK 將它定位為可重用 Agent Skills 的學習框架，關鍵不是複製完整答案，而是保留程序及其適用條件。
流程由 Educator 介入指導，但 Student 仍是環境操作者及 Skill 作者，可以質疑、測試和修改建議。Fixed-Window SSL 會按固定間隔檢視進度；Issue-Guided SSL 則追蹤仍未解決的問題，隨 Skill 版本變化集中檢視，避免每輪都重新教訓。
評測工具 SkillTransferBench 涵蓋 35 個任務系列、408 個可執行個案及 6 個領域；主評估使用 22 個系列、155 個 held-out cases，並以新 solver session 測試遷移。Fixed-Window SSL 的 utility 為 0.801，高於無 Skill 的 0.723、Trace2Skill 的 0.761，以及 SKILL-KD 的 0.751；Issue-Guided SSL 達 0.805，較 Fixed-Window SSL 節省 61.7% Educator tokens，但整體流程仍需 Node.js 22.19+、Docker 及 OpenAI-compatible API 支援。
- 讓 Agent 自己提問、測試和修訂 Skill
- 以未見任務及新 solver 檢查技能是否可遷移
- 比較固定間隔與問題導向兩種複核方式
- 提供跨 Qwen、DeepSeek、Kimi 等模型的評測
這套方法較適合研究 Agent 教學、技能記憶及長期工作流程的團隊，而不只適合聊天機器人。它沒有直接把大型模型換掉，而是處理更實際的問題：如何把一次成功任務轉成可攜、可審核的 Skill，同時控制導師介入所帶來的額外成本。