Agent Skills 2026 综述：从 SKILL.md 到按需加载、训练、验收与签名

发布于 2026年10月6日 作者 Remy
标签: #ai-agents #agent-harness #developer-tools

最早聊 Agent Skills 时，大家说的基本是同一件事：一个文件夹，里面放一份 SKILL.md，写清楚这个技能叫什么、什么时候用、怎么做，agent 需要时把它读进上下文。到 2026 年秋天，这件事已经拆成好几条线：按需加载、选择性激活、编译成状态机、当成可训练对象去优化甚至训进权重、给自动进化加正则和统计检验、安装前扫描和签名。Google 也宣布把 Gemini 的 Gems 迁成 skills。

站内过去两周已经单篇拆过其中不少论文：Progressive Disclosure、SkillDelta、HEXIS、SAGE、SkillSpector。这篇是枢纽文：按一个 skill 从写出来到下线的顺序——写、装、选、用、学、验、管——把这些工作放到同一张图上，说清每段解决什么、证据多硬、边界在哪，最后给维护 skill 库的团队一份清单。

数字都来自论文原文或官方页面；大部分论文是 2026 年 9 月下旬的预印本，基准和协议各不相同，跨论文的数字不能直接比大小。标了「分析」的段落是我的判断。

先说清楚：这里的「skill」至少有三种

读这批论文最容易踩的坑，是把同名的东西当成一回事。按落在哪一层，大致分三类：

  • 文档型 skill：agentskills.io 规范里的那种，一个目录加一份 SKILL.md，可选附带 scripts/、references/、assets/ [1]。Progressive Disclosure、SkillDelta、HEXIS、SkillOpt、SAGE、SkillSpector 处理的都是这一类；SkillEvoReg 的定义更宽，把指令、流程、代码和结构化资源都算进去 [15]。
  • 代码型 skill：Abstraction Ladder 一文里，skill 是一段 Python 过程，在 NetHack 里连续发出底层动作。作者在 Remark 2.1 专门说明，它和「agentic markdown 文件」那种 skill 相关但不同 [10]。
  • 参数型 skill：READ 讨论的是每个任务训一个 LoRA adapter，再把多个 adapter 合进同一个模型 [14]；SkillGym 则是把人写的文档型 skill 变成训练环境，最终把能力落进模型权重 [13]。

三类可以互相转化：文档能编译成状态机（HEXIS）、变成训练数据（SkillGym）、随策略一起重建（RLHarness）。下文主要沿文档型 skill 走。

一张图：写、装、选、用、学、验、管

  1. 写：格式怎么定，正文多长，何时拆文件。
  2. 装：进库前怎么判断安全、不重复、有用、没被篡改。
  3. 选：任务来了加载哪个，加载了是否真有增益。
  4. 用：靠模型「照着做」，还是把流程交给运行时。
  5. 学：skill 能否被优化、训进模型、随策略进化。
  6. 验：自动改出的新版本凭什么合并。
  7. 管：怎么分发、迁移、下线。

写：一份规范定下的最小格式

agentskills.io 的规范很短 [1]。必填只有两个 frontmatter 字段：name（1–64 个字符，只能是小写字母、数字和连字符，必须与父目录同名）和 description（1–1024 个字符，写清做什么、什么时候用，并带上便于 agent 识别任务的关键词）。可选字段有 license、compatibility（不超过 500 字符，写环境要求）、metadata，以及标为实验性的 allowed-tools（预先批准的工具列表，各家实现支持程度不一）。

规范里对后面所有工作影响最大的一段，是 progressive disclosure（渐进披露）：启动时所有 skill 只加载 name 和 description，约 100 token；skill 被激活时才读入整份 SKILL.md，建议正文控制在 5000 token 以内、500 行以内；scripts/、references/、assets/ 里的文件需要时再读，文件引用最好只深入一层 [1]。官方概览页把这概括为发现、激活、执行三步，并说明格式最初由 Anthropic 开发，后作为开放标准发布 [2]。规范还提供 skills-ref validate 校验 frontmatter 和命名 [1]。

（分析）这套格式有意做得很薄：规定了「怎么被发现」，几乎不规定「怎么被执行」，正文没有格式限制 [1]。执行可靠性因此整个交给了模型，后面「选」「用」「验」的多数研究都在补这块留白。

社区样本可以看 addyosmani/agent-skills：README 把 25 个 skill 组织成从定义、计划、构建、验证、评审到发布的流程，配 9 个斜杠命令（如 /spec、/plan、/build、/ship），skill 也会按当前工作自动激活，例如设计 API 时触发 api-and-interface-design [3]。站内入门指南讲过 skill 怎么接进 agent，CLAUDE.md / AGENTS.md 长文讲过常驻指令文件。可以把 skill 粗略看成「按需才加载的那部分 AGENTS.md」——这是我的类比。

装：安装前的扫描、去重、评测与签名

skill 不只是文字：目录里可以有脚本，正文可以让 agent 跑命令、读文件、调工具、拉远程内容。NVIDIA 的文档直说 skill 是新的供应链入口 [6]。

SkillSpector 是 NVIDIA 开源的 skill 安全扫描器。README 给的样本数据是：在研究数据集里分析过的 31,132 个 skill 中，26.1% 含漏洞，5.2% 显示出可能的恶意意图 [5]。它覆盖 17 类、71 种模式，包括提示注入、数据外泄、权限提升、供应链、记忆投毒、MCP 工具投毒等；分析分两段，先做快速静态分析，再可选做 LLM 语义评估；报告支持终端、JSON、Markdown 和 SARIF 格式，方便接进 CI [5]。风险分到 51 分以上，建议是不要安装 [5]。它也能作为 MCP 工具提供 scan_skill，返回会标明是否用了 LLM，免得把只跑静态扫描的低分当成完整结论 [5]。

更值得照抄的是外面那层管线。NVIDIA 的 Trust Pipeline 文档把发布前的问题拆成五个，每个问题对应一份证据 [6]：

  • 能不能安全运行？——SkillSpector 扫描报告。它属于 SkillEvaluator 的第一层，这一层同时检查 schema、license、PII 和 Unicode 安全。
  • 目录里是不是已经有了？——第二层，和已有 skill 做语义重叠检测，避免同一能力换个名字发两次。
  • 对 agent 输出有没有提升？——第三层，真实 agent 在沙箱里分别带 skill 和不带 skill 跑同一组任务，各维度的差值就是这个 skill 的实测贡献，写进 BENCHMARK.md。
  • 做什么、谁负责？——skill card。
  • 发出去的是不是审过的那份？——对整个目录的分离签名 skill.oms.sig。

文档里的重点句：一个 skill 可以通过所有安全检查，却仍让 agent 变差；不能提升 agent 表现的 skill 不该发布，不管安全分多好 [6]。扫描、评测、签名分别回答「看起来安全吗」「有没有用」「发的是不是审的那份」，三者不能互相替代。

安装方式本身也有坑。addyosmani/agent-skills 的 README 提醒：用 npx skills add 只装单个 skill 时，只会复制 skills/<name>/，不带仓库级的 references/ 目录；skill 仍能用，但指向共享清单的路径会失效 [3]。（分析）skill 之间的依赖目前多半是隐式的，「装上了」不等于「装完整了」。

站内 SkillSpector 单篇拆过 17 类检测；Cloudflare security-audit-skill则反过来，把安全审计流程打包成 skill 分发。

选：先按需加载，再问「该不该注入」

库一大，把所有 skill 全文塞进上下文就不行了。Workday 的报告在受控的技能检索任务上比较了两种做法：eager loading（全量加载）和 progressive disclosure（先只给 frontmatter，再按需调用 load_skill）[7]。库大小到 100 时，全量加载在所有 rollout 中都 crash（上下文溢出或输出格式错误）；在 Qwen3-14B、库大小 50 时，渐进披露比全量加载节省 81.7% 的 token [7]。代价是模型调用次数变多、延迟略升；平均检索质量更好 [7]。报告留了三个开放问题：一个任务需要几个 skill，哪些附属文件该加载，哪些 skill 可以安全入库 [7]。

按需加载解决的是「放不放得下」，没回答「放进去有没有用」。SkillDelta 的出发点就是：skill 经常没有收益，甚至会拉低成功率，还多花 token [8]。它用同一 agent 带与不带 skill 的配对执行历史，估计「这个任务加上这个 skill 能多赢多少」，再用局部预测器把历史增益迁移到新任务，不用重训 agent [8]。在五个基准、三个目标 agent 共 15 个设定里：配对历史有 12 个设定比只看「带 skill 的结果」排序更准；在相同的期望 skill 使用率下，SkillDelta 在全部 15 个设定里成功率都高于随机激活，平均高 4.3 个百分点 [8]。拆开看，其中 3.72 个点来自在不同任务组之间分配，只有 0.61 个点来自组内挑选 [8]。

这篇里有个很实用的对照：让 agent 自己判断要不要用 skill，结果 15 个面板里有 14 个都在超过 91% 的任务上选择启用，几乎等于「一直开着」[8]。（分析）把 description 写好、让模型自己挑，解决的是「找得到」，解决不了「值不值」；后者只能靠带与不带 skill 的对照数据，和 NVIDIA 第三层是同一思路。

用：从「照着说明书做」到「运行时管流程」

默认的执行方式是 Skill + ReAct：模型每一步都根据 skill 和历史自己推断下一步。HEXIS 指出，这把「运用知识」和「控制流程」绑在一起，每步都可能偏离，步数一多，累积偏离概率按乘法上升 [9]。

HEXIS 的做法是把 skill 编译成扩展有限状态机：知识留在各个状态的局部指令里，由模型在状态内推理和生成；流程中的顺序、分支、循环和终止变成显式的条件转移，由运行时执行 [9]。编译器先从 skill 文档和工具接口起草状态机，再用开发轨迹补缺失的操作和依赖；每次更新都要过静态检查，并重放当前和此前所有接受过的轨迹，全部通过才接受 [9]。在四个基准、四个执行模型上，HEXIS 相对 Skill + ReAct 平均提升 16.2 个百分点，16 个设定里 15 个更好；用 Qwen3.8-27B 执行时，token 减少 38.4%–88.9% [9]。

两个细节值得记住。其一，把同一台状态机渲染成文字提示让模型照着走，成功率和完全合规率平均比运行时执行低 16.8 和 28.0 个百分点——提升来自运行时控制，不是改写后的文字 [9]。其二，它和改写正文的 SkillOpt 互补：在 SpreadsheetBench 上，SkillOpt 优化过的 skill 再交给 HEXIS 执行，成功率 84.2%、每个任务 69k token；同一份优化后的 skill 用原生方式执行，是 59.6%、257k token [9]。局限是：文档和轨迹没覆盖的分支，状态机里就没有；重放只验证记录过的路径 [9]。

代码型 skill 给了另一个角度。Abstraction Ladder 在 NetHack 里做了含 78 个 Python skill 的库 CodeHack，比较只用底层动作、只用 skill、两者混用三种接口 [10]。14 个模型零样本平均：用 skill 后游戏进度接近三倍，每局推理成本降 86%，token 降 74%，因为很多环境步由 CPU 上的代码执行，模型调用平均减到约五分之一 [10]。但抽象会漏。混用接口保留了只用 skill 时 95% 的进度，推理成本则是只用 skill 的 2.3 倍；删掉某类 skill 时，混用受的影响普遍更小 [10]。到了 RL 阶段，在相同训练预算下，只用 skill 和混用的地牢层数增益，分别是只用底层动作的 7.2 倍和 8.6 倍 [10]。

（分析）HEXIS 和 CodeHack 指向同一个方向：反复出现的局部控制决策，不该每次都交给模型重新推一遍。站内的扩张 Harness，而不是堆上下文谈的也是这件事。区别在于 HEXIS 保住了「文档是源头」；CodeHack 要求先把技能写成代码，还得留一条退回底层动作的路。

学：skill 成了被优化、被训练的对象

SkillOpt。 微软的 SkillOpt 把一份紧凑的 skill 文档当成冻结 agent 的可训练状态：目标模型带着当前 skill 跑任务、记录打分轨迹；优化器模型分别分析成功和失败的小批量，提出增、删、改编辑；单次编辑幅度受预算限制，项目页称为「文本学习率」；候选版本在留出验证集上有提升才保留 [11]。项目页报告的实验覆盖 7 个目标模型、6 个基准，并在 Codex 和 Claude Code 两种 harness 下测试，每个设定都是最佳或并列最佳；例如 GPT-5.5 直接对话时平均提升 23.5 分 [11]。最终导出的就是一个 best_skill.md，部署时目标模型只读这一个文件；在 Codex 里训出来的 SpreadsheetBench skill 移到 Claude Code 中，提升 31.8 [11]。消融显示，去掉学习率、被拒编辑缓冲或慢更新，分数都会下降 [11]。

RLHarness。 它关心的是：策略在 RL 里变了，原来那套 skill 还配不配得上 [12]。RLHarness 把 skills、选择与执行协议、少样本示例和任务契约放进一个带版本号的 harness，和策略学习交替：先建初始 harness 并导出版本对齐的已验证轨迹，做 SFT 和第一轮 DAPO；再按新策略的成功和失败重建 skills、协议和示例，第二轮 DAPO 让策略适应重建后的程序 [12]。MetroMap 和 TravelMap 的准确率从 16.25% 和 27.50% 提高到 62.00% 和 50.00%，四个任务都是在重建加第二轮 DAPO 之后才达到最佳 [12]。作者在局限里写明只做了两轮更新，MetroMap 的 62.00 来自较早的一个重建分支；迁移实验还显示，RL 后重写的提示在规则不同的任务之间迁移很差 [12]。

SkillGym。 它更进一步：既然 skill 编码了完整工作流，就直接拿它当训练环境。SkillGym 从一个在线的人写 skill 注册表出发，整理成 12 个大类、63 个子类，用模板实例化任务、用代码检查器验证结果，并用带与不带目标 skill 的对照运行，筛出确实依赖它的任务 [13]。最终发布 2,756 个环境，收集了 8,364 条成功轨迹，平均每条 49 次工具调用 [13]。在 Claude Code 下，SFT 让 Qwen3.5-35B-A3B 在 GDPval-AA v2 上提升 199 Elo，在 Terminal-Bench 2.1 上提升 19.10 个百分点；在 SkillsBench v1.1 上，带 skill 和不带 skill 分别提升 28.13 和 12.38 分 [13]。不给 skill 时，训练后的模型在两种 harness 下都超过了带 skill 的原始底座；论文结论把 RL 训练列为未来工作 [13]。

READ。 参数层面，READ 处理的是「新 LoRA skill 加进来，旧的别被弄坏」[14]。它把每个 adapter 改写成保持原更新不变的平衡规范形式，并让耦合只朝一个方向长：新 skill 可以读旧 skill 的输入子空间，不能写入它们的输出子空间；每次追加只训练新 skill 那一行耦合 [14]。合成后的更新可以折回底座权重，推理没有额外开销 [14]。在 SuperGLUE 上比用同一批 adapter 构建的最强已发表基线高 20 多分，领域套件上高 7 分以上；92 次顺序追加中 72 次通过预先登记的可靠性规则；短板在 BBH，8 次最终落败全出在这里，作者归因为新 skill 没学够，而不是旧 skill 被破坏 [14]。

（分析）四篇放一起看，「skill 存在哪里」已经分岔：SkillOpt 存在文档里；RLHarness 文档和权重各存一份、同步演化；SkillGym 把文档转成权重；READ 直接在权重里管组合。选哪条，取决于要不要可读、可审、可回滚——文档天然满足，权重都不满足。

验：自动进化要正则，合并要过统计门

skill 一旦能自动修改，就成了一个学习过程，也就会过拟合。SkillEvoReg 把这叫做 skill 进化过拟合：局部有用的编辑会累积成冗余或只针对特定任务的指令，新编辑还会破坏原来能用的行为 [15]。它借用神经网络训练的三招：skill dropout（扰动编辑生成）、考虑复杂度的局部正则（限制不必要的结构增长）、因果反例验证 CCV（针对候选编辑可能引入的回归做定向测试），并保留各系统原有的更新器和评估器 [15]。在 ContinualSkillBench 的五个领域里，skill 数量、token 和复杂度全部下降，例如金融领域的 skill 从 28 个降到 17 个，数学领域的 skill token 从 21,952 降到 16,368；留出集总体表现五个领域里四个提升，办公领域从 82.49 小幅降到 81.05 [15]。

SAGE 管最后一道门。它指出，SkillOpt 这类自进化环把优化器做得很讲究，门控却还是「验证集总分涨了就接受」[16]。问题有二：总分涨了，原来做对的题可能被改错，造成永久回归；在有限、有噪声的验证集上挑最高分本身偏高，即「优化器诅咒」（Optimizer’s Curse）[16]。SAGE 改为在相同验证题上逐题比较新旧版本，对回归加重惩罚，再做单侧配对检验，「赢」相对「输」统计上站得住才提交 [16]。在等预算协议下，五个基准、四个底座共 20 个设定中，有 19 个回归率下降、1 个持平，例如 DeepSeek-V4 上 LiveMath 从 36.5% 降到 0%，OfficeQA 从 42.8% 降到 0%；最终分数在全部 20 个设定里都最高，LiveMath 从 34.15 提到 48.78 [16]。站内的 RSI 综述也专门讨论过「改的是什么、谁来验收」。

（分析）HEXIS 的「全部历史轨迹重放」、SkillOpt 的留出验证、SkillEvoReg 的 CCV、SAGE 的配对检验，是同一件事的四种强度。软件工程里这叫回归测试，只不过对象换成了自然语言写的制品。

管：平台把 skill 收进了产品

2026 年 9 月 28 日，TechCrunch 报道 Google 将关闭 Gemini 的 Gems——这是 2024 年推出、让用户为特定任务建自定义助手的功能——并从 2026 年 11 月 17 日起把 Gems 自动迁移为可以跨任务使用的 skills；用户不需要做任何操作，迁移前 Gems 照常可用 [4]。迁移后要在任务对话里输入 / 选 skill；TechCrunch 评论说这更合工程师胃口 [4]。报道没有说 Gemini 的 skills 是否采用 agentskills.io 格式，这里不做推断。

（分析）这说明的是方向：「为某个任务定制的一套指令」正在从独立产品形态变成可复用的能力单元，会像依赖包一样需要版本、负责人和下线流程。NVIDIA 要求 skill card 写明负责人、license、用途、部署地域、输出形态和风险 [6]，就是这层管理的样子。

对照表：每段在解决什么

阶段工作解决的问题主要证据边界
写agentskills.io 规范 [1][2]统一目录和 frontmatter，规定渐进披露规范文本；skills-ref validate只管发现不管执行
装SkillSpector + Trust Pipeline [5][6]安装前查风险、去重、测增益、签名31,132 个样本中 26.1% 含漏洞、5.2% 疑似恶意扫过不等于安全；语义扫描是可选项
选Progressive Disclosure [7]库大了放不下库大小 100 时全量加载全部 crash；最高省 81.7% token每任务只检索一个 skill；延迟略增
选SkillDelta [8]相关不等于有增益15 个设定全部胜过随机激活，平均 +4.3 个百分点需要配对历史；增益主要来自组间分配
用HEXIS [9]模型每步重推流程导致偏离平均 +16.2 个百分点，16 个设定中 15 个更好文档和轨迹没覆盖的分支会缺失
用CodeHack [10]长程任务里底层动作太贵进度接近三倍，推理成本降 86%代码型 skill，需要人工写库；抽象会漏
学SkillOpt [11]手写 skill 不够好7 个模型 × 6 个基准均最佳或并列最佳效果依赖留出验证门的质量
学RLHarness [12]固定技能库跟不上变化的策略四个任务都在重建后最佳只做两轮更新
学SkillGym [13]skill 只在推理时读，没有变成能力SFT 后 Terminal-Bench 2.1 提升 19.10 个百分点结果来自 SFT，RL 是未来工作
学READ [14]多个 LoRA skill 合并后互相干扰SuperGLUE 上比最强基线高 20 多分参数型 skill；BBH 上仍失败
验SkillEvoReg [15]进化过拟合、库膨胀五个领域 skill 数、token、复杂度全部下降个别领域分数小幅下降
验SAGE [16]「总分涨就合并」导致回归20 个设定中 19 个回归率下降只提交基线编辑的一个子集，更保守
管Gemini Gems → skills [4]定制助手迁成可复用能力11 月 17 日起自动迁移格式细节报道未提

几条横向观察（分析）

知识和控制在分家。 HEXIS 把控制流交给运行时，CodeHack 把局部决策交给代码，RLHarness 把选择和执行协议做成版本化部件。skill 里「要知道什么」和「按什么顺序做」正在被拆开存放。

「找得到」「相关」「有用」是三件事。 渐进披露解决找得到；SkillDelta 说明相关不等于有增益；NVIDIA 明说安全过关的 skill 也可能让 agent 变差。最终要看的是第三个。

带与不带的对照，成了通用度量。 SkillGym 用它筛任务，SkillDelta 用它预测增益，NVIDIA 第三层用它决定能否发布。没有对照数据，「这个 skill 很好用」只是作者的说法。

skill 越来越像软件制品。 版本（RLHarness）、回归测试（HEXIS、SAGE）、复杂度预算（SkillEvoReg）、依赖声明、签名（NVIDIA）——软件供应链那一套正在搬到 skill 上。

证据还很早。 这批论文多是未经同行评审的预印本；HEXIS 的状态机由强模型编译，SkillOpt 项目页也说更强的优化器模型带来最大增益 [9][11]。落地前最好在自己的任务上复现对照，别直接引用论文的提升幅度。

维护 skill 库的检查清单

写

  • description 写清做什么、何时用，带任务关键词；name 与目录同名；提交前跑 skills-ref validate [1]。
  • SKILL.md 正文控制在 500 行以内，长参考拆进 references/，引用只深入一层 [1]。
  • 跨 skill 共享的文件显式写明；确认单独安装一个 skill 时它仍然完整 [3]。

装

  • 第三方 skill 安装前先做静态扫描，并记录这次有没有跑语义扫描 [5]。
  • 每个 skill 都要有负责人、license 和风险说明，也就是 skill card [6]。
  • 发布产物签名，CI 在安装前校验签名 [6]。
  • 入库前查一遍是否和已有 skill 功能重叠 [6]。

选

  • 默认渐进披露，不全量加载 [7]。
  • 给高频 skill 维护带与不带的配对评测，不要只看「带 skill 时的成功率」[8]。
  • 不要把「模型自己说要用」当成 skill 有用的证据 [8]。

用

  • 对步骤顺序有硬要求的 skill（比如先校验再提交），考虑把控制流放进运行时或脚本 [9]。
  • 写成代码的 skill，要保留退回底层操作的通道 [10]。

学与验

  • 自动优化 skill 时限制单次编辑幅度，保留被拒编辑的记录 [11]。
  • 合并前在同一组验证题上逐题对比新旧版本，回归单独记账，不要只看总分 [16]。
  • 留一组历史轨迹做回归重放 [9]。
  • 给整个 skill 库设数量和 token 预算，定期合并冗余 [15]。
  • （分析）底座模型换代后，重新跑一遍对照评测，确认 skill 是否还有增益——RLHarness 的结果提示，skill 和使用它的模型会一起过时 [12]。

管

  • skill 带版本号，改动走评审；迁移和下线要提前通知使用方，并保留过渡期，Gemini 这次就是先公告、到期自动迁移 [4]。

这篇没覆盖什么

只写了我读过原文的材料。SkillsBench 的数据（87 个任务上精选 skill 把平均通过率从 33.9% 提到 50.5%）是 HEXIS 转引的 [9]，没读原文，只当背景。skill 与 MCP 的分工、各客户端对 allowed-tools 的实际支持、skill 市场机制，都没有展开。

参考

  1. Agent Skills Specification. agentskills.io. https://agentskills.io/specification
  2. Agent Skills Overview. agentskills.io. https://agentskills.io/
  3. addyosmani/agent-skills, README. https://github.com/addyosmani/agent-skills
  4. Sarah Perez. Google is killing off Gemini’s Gems in favor of ‘skills’. TechCrunch, 2026-09-28. https://techcrunch.com/2026/09/28/google-is-killing-off-geminis-gems-in-favor-of-skills/
  5. NVIDIA/SkillSpector, README. https://github.com/NVIDIA/SkillSpector
  6. NVIDIA. A Trust Pipeline for Agent Skills. https://docs.nvidia.com/skills/agent-skill-trust-pipeline
  7. Guilin Zhang et al. Report: Progressive Disclosure of Agent Skills. arXiv:2609.35692. https://arxiv.org/abs/2609.35692
  8. Anjie Xu et al. When Does a Skill Add Value? Task-Conditional Gain Prediction for Selective Skill Use (SkillDelta). arXiv:2609.32274. https://arxiv.org/abs/2609.32274
  9. Minghao Li. HEXIS: Compiling Agent Skills into Extended Finite State Machines. arXiv:2609.30123. https://arxiv.org/abs/2609.30123
  10. Bartłomiej Cupiał et al. Up and Down the Abstraction Ladder: Code-Based Skills for Language Agents. arXiv:2609.31076. https://arxiv.org/abs/2609.31076
  11. Microsoft. SkillOpt: Executive Strategy for Self-Evolving Agent Skills（项目页；论文 arXiv:2605.23904）. https://microsoft.github.io/SkillOpt/
  12. Ziqiao Shang et al. RLHarness: Co-evolving Procedural Skills with Reinforcement Learning for Long-horizon Multimodal Reasoning. arXiv:2609.32326. https://arxiv.org/abs/2609.32326
  13. Zhilong Ge et al. SkillGym: Internalizing Human Skills into LLMs for Real-World Problem Solving. arXiv:2609.27717. https://arxiv.org/abs/2609.27717
  14. Zeyan Li et al. New LoRA Skills Should Read but Never Write (READ). arXiv:2609.31600. https://arxiv.org/abs/2609.31600
  15. Guanyu Nie et al. SkillEvoReg: Regularizing Agent Skill Evolution Against Overfitting. arXiv:2609.30861. https://arxiv.org/abs/2609.30861
  16. Yihao Wang et al. SAGE: A Statistical Acceptance Gate for Self-Evolving Agents. arXiv:2609.36043. https://arxiv.org/abs/2609.36043