Skills Radar[1] 又更新了。
10项新技术落地，总量拉到 123项。这10项的分布很有意思：4项扎在召回，2项补评测的安全漏洞，2项给生成打开了全新的知识来源，1项在优化线上把递归推到了下一层，1项在管理线上铺了21.7万条技能的地基。
没有哪一项是"把老benchmark改个名再跑一遍"的重复造轮子。每一篇都在自己的线上开了一条新分岔。
拆开聊五条线。
召回线在重写：四个人从四个方向，同时说"语义匹配不够了"
召回是这次更新最密集的战场。四篇论文几乎同时出手，但切入角度完全不同。
UCOB问了一个更底层的问题：技能召回之后，Agent该不该信这个技能？它的答案是信用感知双向自蒸馏。同一个任务跑两路：带技能的条件化视图和不带技能的无技能视图，两组轨迹都在环境里真跑，然后比实际回报。技能帮上忙了，正向蒸馏把策略内化到无技能视图；技能产生误导了，反向蒸馏用无技能的行为纠正技能视图。不是默认"技能总是好的"，而是让环境回报做裁判。Qwen3-1.7B 上，ALFWorld 89.1%（+23.5pp），WebShop 79.7%（+18.0pp）。这回答了召回之后的"下一步"，不是选出来就完了，选出来之后还得判断该不该信。
Skill Collision（微软）面对的问题更工程化：技能数量膨胀到几十个以后，技能描述之间的语义重叠会导致路由决策混乱。他们从生产环境中发现，这个问题的解法不需要 fancy 的算法，LLM单次重写描述，就够了。把误路由和漏路由的案例喂给LLM，让它分析失败模式然后改写描述，一次完成。人工调优一个技能要 120 分钟，自动化降到 3.8 分钟，提速 32 倍，路由 F1 只比人工基线低 0.12%。最有价值的其实不是效率提升，而是两个诊断指标：iter-0 训练 F1 低于 65% 的技能才是描述优化的主战场（+6.27%）；训练/验证 F1 差距大的说明是技能功能本身重叠，改描述没用，得重构架构。区分真假碰撞，比盲目优化重要一百倍。
SkillComposer（浙大 + 通义）盯上了另一个空白：选出 3 个技能，第一个做什么、第二个做什么、它们的顺序对不对？它把选哪些、选几个、按什么顺序这三个子问题合并成一次自回归解码，一个仅 390 万参数的微型Transformer，输出{1,...,196} ∪ {STOP}，STOP的位置决定数量，索引顺序决定执行顺序。TF-IDF做检索先验、稠密向量做编码，各取所长。仅用合成数据训练，分布外Set F1 62.9%，领先全量微调基线 19.3 个百分点。极低推理成本（1.03M token），技能组合不再是大模型的专属能力。
SkillReranker把整个路由器的坐标系换掉了。以前是"任务 → 相似度排序 → 截断Top-K"，K是人工预设的。它问：凭什么？先让LLM把任务拆成有序子任务序列，每条技能提取前提状态和完成状态，用交叉编码器做图匹配。然后分析图的In/Out/Cross三元分布，自动发现任务的自然阶段边界，每阶段只选一个最适配的技能。简单任务 1-2 个，复杂任务 3-4 个。技能数量不由你定，由任务结构定。
四篇论文，四种完全不同的攻击角度。召回不再是"这个query跟哪个技能最像"。它在变成一个有信用评估、有碰撞诊断、有组合预测、有自适应数量的完整决策系统。
评测在堵漏洞：单技能安全不够，组合才是真正的雷区
上半年最让人不安的是技能评测和安全领域几乎真空。这两篇同时在填坑，而且都指向同一个方向：只看单个技能不够。
SkillFuzz 发现了所有技能市场都漏掉的盲区：审核只检查单个技能，不检查技能组合。两个技能单独审核都通过，组合激活后，Agent的计划悄悄偏了，本来该下载文件的，现在顺便读了个不该读的配置文件，而且计划里写得明明白白。它用MCTS在技能激活空间上做模糊搜索，把"计划漂移"当差分信号：同一任务在有/无某技能组合条件下生成计划，差异显著即说明组合引入了额外意图。只在计划层面运行，不需要部署真实执行环境。从 10 个任务中发现 1000+ 隐式意图，Docker沙箱执行验证确认率超过 80%。只探索了 39.7% 的成对交互空间，但严重意图比例达到 77%——定向搜索的效率远超随机撒网。跨 8 个模型确认率几乎一致（80.5%-81.0%），说明这信号是结构性的，不是某个模型的偏置。
SkillCoach挑战了评测领域最根深蒂固的一个默认假设："任务做对了"就等于"技能用对了"。它的答案是自演化评分表——把技能使用拆成选择、遵循、组合、反思四个过程维度，独立于外部验证器。Agent可以碰巧做对但不该选的那个技能（伪成功轨迹），验证器看不出，评分表看得出。评分表从gold技能文档自动生成初始版本，然后通过真实rollout暴露的缺陷驱动迭代补丁，幻觉率从 2.00 降到 0.00，轨迹筛选一致性从 82 提到 96。用评分表筛选 SFT 数据，模型最终准确率从结果筛选的 18.0% 提升到 32.0%。"做对了"和"用对了"是两回事，把它俩混为一谈，你就会在训练数据里埋下一堆伪正例。
生成在开新矿源：别光啃自己的轨迹了
之前生成线的默认范式是"从Agent自己跑的轨迹里提炼技能"。RESOURCE2SKILL和SkillFab 同时说：太浪费了。外部世界的知识金矿，你连第一锹都还没挖。
RESOURCE2SKILL（微软）把技能生成做成了多模态知识蒸馏。输入不是Agent跑过的路，而是四个完全不同的信息源：教学视频捕获操作顺序，代码仓库提供可调用模式，文章解释概念和场景，参考作品提供风格基准。四源素材经五道质量门控，拼成文本/视觉/代码三字段互补的结构化条目。层级Wiki树做分类约束，BM25关键词初筛 + LLM子集精选，选中的技能代码通过 MCP 直接执行不翻译。7 个创意软件领域、4 个模型后端，平均 +11.9 个百分点。一个从未见过的教学视频，变成了 Agent 可以直接调用的可执行技能。
SkillFab（skillfab.ai）补的是另一个坑。技能怎么生产、怎么发布、谁审查、怎么追溯？它把软件工程的协作基础设施：issue追踪、Git证据、审查门禁、注册表发布，适配到Agent技能的粒度上。两条原则：需求先行（能力缺口可以先于代码存在被记录为issue），复用先行（Agent接到任务先查注册表，已有则复用，失败才走开发流程）。最关键的设计是控制平面和证据平面分离，MCP调用创建issue/提交审查/发布技能，Git推送提供实际文件内容。两边解耦，一边失败不污染另一边。已部署在skillfab.ai，外部优化器可直接以 PR 形式提交优化后的技能。
优化在递归：连"怎么改"这件事本身，都开始被改了
优化这条线已经够卷了。梯度类比、信用分配、分层搜索，大家都在找更好的改技能的方法。MetaSkill-Evolve把这件事的递归层级往前推了一步。
它搞了两个时钟。快时钟做正常的任务技能进化：选分支、诊断失败、跨分支拉取修正案例、产出候选编辑、验证集评出增量。慢时钟每隔 H 次触发——把快时钟近期的全部诊断、编辑方案、成功率和生产力打包成合成元故障trace，跑同一套五Agent流水线，目标文件从任务技能换成元技能本身。Analyzer（怎么诊断）、Proposer（怎么提案）、Allocator（生几个子代）、Retriever（怎么跨分支分享）、Evolver（怎么写回文件）——五个组件，全在慢时钟里被持续优化。
快时钟在进化技能。慢时钟在进化"进化技能的方法"。所有Agent共享一个冻结的Gemma-4 31B，基座不训练，零微调。OfficeQA +23.54，SealQA +16.09。三重增益全部来自文本演化。
"怎么改"本身成了可演化的对象。这层递归打开之后下一步会走到哪，说实话没答案。但方向已经指出来了。
管理在铺地基：21.7 万条技能的可追溯基础设施
SkillCenter做的事看起来不那么"聪明"，但可能是这批里最关键的一张牌。
它收录了216,938 条结构化技能，覆盖 24 个领域。114,565 条来自SkillGate自动化流水线，从学术论文、GitHub、技术网站、Stack Overflow提取；102,373 条来自社区集成。每条技能可追溯到源文档精确引文位置，这是核心差异点：跟普通RAG文档片段不一样，你知道这条技能是"从这篇paper第三章第三段来的"，不是LLM编的。
核心设计是迭代来源校准：LLM生成每条技能主张时，必须映射到源文档的引用位置，找不到对应原文就修改或删除。GPT-5.2 三维度质量打分（清晰度、准确性、可操作性），流水线平均 3.91/5。SQLite FTS5离线分发，bundle-install --auto自动检测项目类型并加载对应领域包。21.7万不是终点，是起点。大规模技能库的工程基础设施，提取、去重、校准、索引、按需分发，第一次被系统化地做成了可复用的流水线。
最后说两句
10项新技术，不靠数量取胜。召回线四个人从四个方向同时进攻同一个命题：语义匹配不够了。评测线两篇同时在说：只看单个技能看不到真正的风险。生成线两篇打开了两个全新矿源：外部多媒体知识和生产协作流水线。MetaSkill-Evolve开启了新的递归深度。SkillCenter在铺最不起眼但可能最持久的基础设施。
123项总覆盖。横跨60+家机构。生成到管理，六条线没有一条在减速。
我们做Skills Radar的理由没变过：这领域变太快，不看tracker会漏掉一半。每项技术我们配的不是标题搬运：是一句话说清楚它在做什么、怎么做的、哪儿强哪儿弱、论文在哪儿。不看碎片，看地图。
