← 科研空间 首页
arXiv:2602.12670 版本注记|检索 2026-10-23

SkillsBench: Benchmarking How Well Agent Skills Work Across Diverse Tasks

Agent Skills 是可复用程序性知识包,但它们究竟帮了多少?用配对 benchmark 拆开测。

原版 PDF

先讲一个故事

教学性场景(非论文记载):一家小型水文实验室的工程师林岚,要用 CLI agent 批量分析洪水风险数据。模型能写 Python,却不知道数据源的单位陷阱、文件格式约束和该先做哪些 sanity checks。她给 agent 一份“完整指南”,结果 agent 忠实执行了耗时又脆弱的重型流程;换成精简的领域技能后,agent 才找到可靠路径。

这个假想案例不是 SkillsBench 的真实任务或人物,而是把论文中的两种事实压缩成一个入口:技能能够补上模型缺少的程序性知识,但技能并非越长越好,也可能把 agent 带偏。论文的关键转折不是“再发明一个 skill”,而是同一任务、同一 agent 配置做 paired comparison:到底加上技能后,多解决了多少?

故事与技术如何对应

先给结论

+16.6pp87 项 × 18 配置平均提升:33.9% → 50.5%
+4.1–25.7不同配置的增益范围(百分点)
13 / 87任务出现负向技能 delta

一句话:高质量 curated Skills 在这套 terminal/container benchmark 中普遍有用,但效益是模型、harness、任务三者共同作用的属性,不是技能格式本身的常数。论文最重要的增量是测量方法与异质性证据;“技能内容本身造成全部提升”仍未被充分识别,因为缺少长度匹配的无关文本、仅检索文档等控制。

阅读依据:arXiv 2602.12670 公开版本(TeX 与 PDF 交叉核对);检索日期 2026-10-23。页面摘要数值以论文主结果表为准。

原版 PDF

研究动机

常规 agent benchmark 报告某个固定系统在任务集上的绝对成功率,却把模型、harness、技能/检索等增强因素混在一起。部署者真正关心的是边际决策:给定同一 agent 和工作,添一份 Skill 是否有效、何时无效?论文把 Agent Skills 定义为文件系统中的可复用程序知识包:必须有 SKILL.md,可带脚本、模板、参考资料。Harness 提供工具、工作区、文件管理和 skill discovery;Skill 本身既不是权重,也不独立执行。

论文的设计重点是通过任务与技能解耦避免答案泄漏:技能应描述一类问题的程序知识,不应包含具体任务答案;任务说明不点名应该用哪个 skill。87 个任务从 400 个提交(142 位贡献者)筛选而来,且用确定性程序 verifier 打分。

SkillsBench 构造和评估流程
论文 pipeline:从技能生态与候选任务,经自动筛选/人工审核,进入 87-task benchmark,并在多模型/harness 条件下配对评估。
SkillsBench task anatomy
一个 task 包含 container、instruction、curated Skills 与 oracle/verifier;图中标示 no-Skills、curated 与 self-generated 三个条件。

数学表示及建模

令任务为 \(i\in\{1,\ldots,87\}\),模型—harness 配置为 \(c\in\{1,\ldots,18\}\),trial 为 \(r\in\{1,2,3\}\)。Verifier 给出二元结果 \(y_{icr}^{(z)}\in\{0,1\}\),其中 \(z=0\) 表示 no-Skills,\(z=1\) 表示 curated Skills。每个任务的 pass rate 是三次 trial 的均值,再对任务等权宏平均:

$$P_c^{(z)}=\frac{1}{87}\sum_{i=1}^{87}\left(\frac{1}{3}\sum_{r=1}^{3} y_{icr}^{(z)}\right),\qquad \Delta_c=P_c^{(1)}-P_c^{(0)}.$$

主要呈现的跨配置均值分别是 33.9% 与 50.5%,差值 16.6 个百分点。归一化增益衡量技能填补原本剩余成功空间的比例:

$$g_c=\frac{P_c^{(1)}-P_c^{(0)}}{1-P_c^{(0)}}.$$

配对设计减少任务难度混杂,但它不是完整机制识别:如果技能条件只是比 baseline 多了 token/context,差值仍可能包含“更多信息”效应。论文明确承认需要长度匹配文本或仅文档检索等对照。

八领域与难度分层
87 个任务跨八领域分布,内圈对应 Core、Extended、Extreme 难度层。

算法流程 / 方法

  1. 定义边界:Skill 是可复用程序性指导,不能编码单个任务答案;贡献者独立撰写技能,任务 instruction 不点名技能。
  2. 建设任务:候选提交经过结构检查、oracle 可运行、指令来源审查、skill-solution leakage 检查与至少一次人工维护者评审。保留 87 项、8 个领域。
  3. 隔离运行:BenchFlow 为每一条件建立固定容器。主比较为 instruction-only 与可挂载 curated skill 包;使用 terminal harness 执行直到提交结果。
  4. 确定性评分:每任务由 pytest/test-script verifier 产生 pass/fail;每 (配置,任务,条件) 目标三次 trial,no-Skills 与 Skills 对齐。
  5. 诊断:看模型/harness、领域、skill 数量/长度、skill invocation 及成对轨迹;单列 self-generated 技能条件,不混入主 aggregate。

核心伪代码可以写作:对每个配置与任务,分别执行无技能与技能包两条件,计算同任务结果差,再对固定任务集宏平均。它测的是特定 curated Skills 下的增量,不是自动选技能或任意质量技能的总体效果。

实验设计

实验结果

比较 结果 解释边界
平均技能效果 33.9% → 50.5%,+16.6pp,归一化 gain 25.5% 跨 18 配置平均;不是任一产品的预期收益。
最强 with-Skills OpenHands + GPT-5.5:67.3% 绝对水平最高不等于技能收益最大。
最大配置增益 OpenHands + GLM 5.1:+25.7pp;最小 Gemini 3.1 Flash Lite:+4.1pp 与 harness/model 配置强烈交互。
自生成技能 三个配置相对 no-Skills 分别 -8.1、-11.3、-11.5pp;curated 则 +18.2 至 +24.8pp 原因混合 pack 未被发现、创作干扰 solver、错误内容;不能解释为纯内容质量因果效应。
技能数量/长度 2–3 个平均 +19.0pp;≥4 个 +10.1pp;comprehensive 技能 +0.7pp 分类比较受任务分配与样本量影响,不能直接认定因果最优长度。
负效应 13/87 tasks 有负 delta 重型流程、抑制模型原本策略、脆弱工具链是轨迹审计中重复出现的失效模式。

论文报告 18 个配置主结果全部为正,8 个领域聚合均为正,但效果幅度不同。调用率高并不自动带来成功:技能调用发生后,agent 仍可能错误执行或输出不符合 verifier 格式。作者还指出,小模型配技能可超过某些更强模型的无技能基线;这个比较仅是当前 benchmark 的程序性任务表现,不意味着技能普遍替代模型规模。

18 model-harness configurations 的 pass rate 对比
18 个模型—harness 配置 no-Skills 基线与 curated-Skills lift 的堆叠通过率及置信区间标记。
技能调用率与 resolution rate
任务技能 invocation rate 与两条件解决率同时展示;技能调用本身不等同于成功。

我的评论

可信的地方

问题定义切中部署需求;配对协议比单一 pass rate 更能回答 augmentation 是否有用。任务采用 oracle、泄漏审核与确定性 verifier,实验跨 18 配置,并公开轨迹/结果的承诺使结果可审计。作者没有隐藏失败情形,主动报告负向任务、context-length 混杂和非终端任务的外推限制。

还不能推出什么

审稿人式判断:这是一个有用且及时的 benchmark/paired protocol,经验主张应保持窄: curated skills 在所测栈中提高 pass rate,且效应异质;不能说“Skills 普遍有效”或已证明程序结构的独立因果作用。

One More Thing

论文最值得带走的工程原则不是“每个任务塞更多说明”,而是把 Skill 写成可执行的决策支持:给出 applicability boundary、轻量 fallback、校验点和预期成本。研究上可把每个 Skill 的收益分解为发现概率 × 正确执行概率 × verifier 对齐概率,再用 paired tasks 分别干预这些环节。这是由结果启发的待测假设,并非论文已估计的机制模型。

完整图谱

以下附录图用于保留论文全体数据图;它们提供描述性背景,不应被误读成主结论的额外因果证据。

技能生态时间增长
带时间戳技能记录的每日新增趋势;论文警告 pushed_at 可能不是技能实际创建时间。
技能包大小分布
可克隆样本中 SKILL.md 与整体技能包大小分布。
技能生态类别分布
marketplace category assignments 的类别占比。
技能包结构统计
技能文件数分布与文件扩展名构成。
自生成与策展技能结果比较
三个专用配置中 self-generated、no-Skills 与 curated 条件的 pass rate 比较。
带技能任务通过率热图
各任务、模型在 curated Skills 条件下的通过率热图。
无技能任务通过率热图
各任务、模型在 no-Skills 条件下的通过率热图。
技能带来的任务级增量热图
逐任务技能带来的 pass-rate uplift;红色单元表示可能负增益。
模型厂商技能前后时间与得分
模型家族在 no-Skills 与 curated-Skills 条件下的时间—得分分布。
分数和耗时关系
技能前后 resolution rate 与 agent 平均 wall-clock 时间关系。

Other Discussion Roles / 其他讨论角色

以下七个角色使用 MIT MAS.S60 课程原始 prompt,从不同责任位置审视同一篇论文。

Scientific Peer Reviewer

The paper has not been published yet and is currently submitted to a top conference where you’ve been assigned as a peer reviewer. Complete a full review of the paper answering all prompts of the official review form of the top venue in this research area (e.g., NeurIPS). This includes recommending whether to accept or reject the paper.

贡献与摘要:本文把 Agent Skills 当作 augmentation artifact,以 87 个任务、8 个领域、18 种模型—harness 配置配对比较。平均从 33.9% 升至 50.5%(+16.6pp)。核心贡献是评估协议与条件性实证,不是新的 agent 算法。

优点:研究问题直指部署决策;matched task、deterministic verifier、泄漏审查及公开轨迹有方法价值。作者报告配置差异、负向任务、self-generated 结果,且讨论长度混杂与适用边界。

疑虑:缺乏 length-matched irrelevant text / retrieval-only 控制,不能识别程序化结构的独立因果贡献;优质 curated Skills 和任务筛选造成生态代表性疑问;三次 trial 的 Wald 区间可能低估 task-level 变异;self-generated creator/solver 条件实现不完全等价。建议按任务和配置做 paired bootstrap、提供技能组件消融并扩展普通质量技能。

按 NeurIPS 常见维度,原创性和影响潜力较好,技术严谨性总体合格但因果归因需收敛,表达清楚,可复现性取决于开放工件完整性。Recommendation: Weak Accept,信心 0.72;仅认可 benchmark/测量增量,不认为“技能机制已被证明”。

Archaeologist

This paper was found buried under ground in the desert. You’re an archeologist who must determine where this paper sits in the context of previous and subsequent work. Find and report on one older paper cited within the current paper that substantially influenced the current paper and one newer paper that cites this current paper.

前置影响工作:Terminal-Bench(Merrill et al., 2026)以容器化 terminal tasks 测量 agent 完成任务能力,是 SkillsBench 任务执行与 pass/fail 评估的近邻基础;SkillsBench 把问题从绝对能力扩展到同任务 augmentation 差值。来源:Terminal-Bench arXiv record,且被本文引用为主指标参照。

后续引用:截至 2026-10-23,经 arXiv abs 公开页面核对只能确认 focal paper 记录,不能可靠确认一篇更晚且确实引用它的论文。故不杜撰作品;这是 arXiv 可见记录检索边界,不代表全网绝无引用。

历史定位:agent benchmark 由报告系统总分迈向组件级归因;本文的推进在可复用的 paired augmentation measurement 和结果异质性。

Academic Researcher

You’re a researcher who is working on a new project in this area. Propose an imaginary follow-up project not just based on the current but only possible due to the existence and success of the current paper.

后续设想:Skill Effects Atlas。借助本文成功建立的 task/verifier schema 和配对协议,组织多实验室为版本化 Skill、模型和 harness 建立可比较的开放效应图谱,并在 held-out domains 检验技能收益能否迁移。这不是单纯加任务,而是将“某 skill 对哪些栈有效”变为共享校准任务;若没有 SkillsBench 的确定性任务包和 paired benchmark 底座,就难以跨团队复核。

预注册 irrelevant-text、retrieval-only、script-only、instruction-only 对照,分别估计发现、调用、执行、通过各环节,再用保留领域评估预测器泛化。该项目纯属研究设想,未执行。

Industry Practitioner

You work at a company or organization developing an application or product of your choice (that has not already been suggested in a prior session). Bring a convincing pitch for why you should be paid to implement the method in the paper, and discuss at least one positive and negative impact of this application.

提案:为企业数据运营团队开发“受控技能发布闸门”:将内部 CLI agent 的每份 SOP skill 版本化,在脱敏容器任务中对比 skill/no-skill,且覆盖企业实际模型与 harness,只发布稳定增益且无严重回归的版本。它把知识库维护从主观审阅变成发布前质量测试,因此值得产品工程投入。

积极影响:专家流程更易复用、审计和回滚,可提前发现会诱发错误操作的指引。负面影响:verifier 过拟合会让技能在测试通过却在真实例外中失败;流程编码可能固化过时做法、压缩员工自主权,并带来数据泄漏。须有人审、权限控制、更新责任和回滚。此为提议,并非论文验证的产品。

Hacker

You’re a hacker who needs a demo of this paper ASAP. Implement a small part or simplified version of the paper on a small dataset or toy problem. Prepare to share the core code of the algorithm to the class and demo your implementation. Do not simply download and run an existing implementation – though you are welcome to use (and give credit to) an existing implementation for “backbone” code.

Toy demo 设计(伪代码,未运行):在少量确定性任务上自己实现配对 runner 与 verifier,固定 agent/tool/budget,no-skill/skill 各运行三次后求 task-macro delta:

for task in tasks:
  for condition in ["none", "skill"]:
    for trial in range(3):
      result = agent.solve(task, skill=(condition == "skill"))
      score[task, condition, trial] = verifier(task, result)
for task in tasks:
  delta[task] = mean(score[task,"skill"]) - mean(score[task,"none"])
print(mean(delta))

这是算法核心的独立简化描述,不声称运行或复现论文数字。可自行编写 loop 和小型 verifier;若借 BenchFlow 做容器 backbone,需注明来源,不可把下载现成 benchmark 当作自制实现。

Private Investigator

You are a detective who needs to run a background check on one of the paper’s authors. Where have they worked? What did they study? What previous projects might have led to working on this one? What motivated them to work on this project? Feel free to contact the authors, but remember to be courteous, polite, and on-topic.

仅以论文公开信息回答,不联系任何作者。arXiv 公开记录列出 80 余名作者;论文 affiliations 包含 BenchFlow、UC Berkeley、Amazon、UC Santa Cruz 等机构,署名标记可确认部分作者机构。公开记录不足以核实每位作者教育经历、职业迁移和之前项目,因此不拼凑个人履历。

作者团队包含评测基础设施参与者与学术机构研究者;这可能对应论文兼顾可复现性和实际技能生态的主题,但属于从机构/文本推测,不能冒充个人动机。没有公开证据的动机标为未知。arXiv 作者及机构。

Social Impact Assessor

Identify how this paper self-assesses its (likely positive) impact on the world. Have any additional positive social impacts left out? What are possible negative social impacts that were overlooked or omitted?

论文自我框架:强调公开 benchmark、轨迹与配对测量,让开发者判断技能包是否值得部署,并改善 agent 在专业任务中的执行;论文未展开正式社会影响评估。

额外正面潜力:领域专家程序知识可版本化并受审;失败轨迹能改善工具安全与回归测试;部署前评估可能减少重复工作错误。可能负面影响:专业工作自动化造成岗位替代;不正确/过时 Skill 可将错误流程规模化;只针对 verifier 优化会掩盖现实伤害;技能共享带来知识产权和敏感流程泄露;贡献者与受影响群体代表性不足。论文未量化上述收益或风险,均是审慎推演,不是观察到的社会后果。

Reference / Evidence

本文公开记录

SkillsBench (arXiv abs) · 原版 PDF

版本注记:以 arXiv 页面、该版本 TeX 源与 PDF 排版交叉阅读;检索日期 2026-10-23。数字与方法均按公开论文表述,未声称复跑。

讨论角色 prompt 来源

MIT MAS.S60 Other Discussion Roles slide。