由 Xinyuan Song 等六位作者完成的論文《技能夢境：透過拉取請求流演進倉庫技能》已被 arXiv 收錄，編號為 arXiv:2610.36188，隸屬人工智慧（cs.AI）與軟體工程（cs.SE）分類，報告編號為 CDL-2026-001。該論文於 2026 年 10 月 26 日提交，全文約 1.9MB，提供 PDF、實驗性 HTML 及 TeX 原始碼等多種閱讀形式。
論文的出發點在於：大型語言模型智慧體在處理複雜的軟體工程任務時，越來越依賴可複用的技能，因此技能庫已成為倉庫開發與維護的重要基礎設施。然而，倉庫專屬技能並非一成不變，它們必須隨著程式碼結構、實現約定和維護需求的演進而更新，否則就會迅速過時。
作者指出，拉取請求（PR）恰好記錄了倉庫透過實現與評審逐步演化的過程，是這類知識的天然來源。與此同時，新的 PR 又必須遵循倉庫特有的實現模式，一致地修改相關元件，並確保既有測試繼續透過，同時為新功能補充測試覆蓋。
這種雙向關係構成了一個相互強化的迴圈：PR 為技能更新提供知識，而更新後的技能又能改進未來的 PR、維護倉庫，並支撐技能的進一步演化。為促成 PR、倉庫與技能三者的協同演化，作者提出了 Skill Dreaming 框架。
在具體方法上，給定一個倉庫及其 PR 歷史，Skill Dreaming 會從經過驗證的 PR 中提取可執行知識，構建倉庫專屬的技能庫，並在新的 PR 資訊出現時不斷細化這些技能。
這些技能所指導的範圍不限於實現所請求的功能，還涵蓋維護相關測試、文件、相容性以及倉庫約定。透過將 PR 分析、技能管理、程式碼執行與持續整合整合在一起，該框架提供了一套端到端工作流：既能把學到的技能應用於倉庫變更，也能將後續 PR 的結果反饋到未來的技能更新之中。
從更廣的視角看，這項工作試圖把智慧體的技能學習與真實軟體開發流程緊密耦合，讓技能庫隨程式碼庫共同成長，而非停留在靜態配置。其意義在於為 LLM 智慧體參與長期倉庫維護提供一種可持續的知識積累機制。