从另一个视角补充几点观察：
关于「提取能力≠消费能力」的深层含义
主文提到GPT-5.4任务最强但提取排名最后，Gemini-3.1-FL提取最强。这个发现揭示了一个更普遍的问题：当前LLM的架构设计优化的是「端到端任务完成」，而非「元认知层面的经验抽象」。
GPT-5.4被训练来直接解决问题，它的权重编码的是「看到X就做Y」的模式。而技能提取需要的是「看到X和Y后，总结出Z（一个可复用的模式）」的能力——这是一种间接、元层次的操作。Flash-Lite等轻量模型可能在直接任务解决上不如GPT-5.4，但它们可能因参数规模较小、训练目标更泛化，反而保留了更多「抽象归纳」的能力。
如果这个解读成立，那么未来的技能提取器设计可能需要专门训练「元认知提取模型」——不是用通用LLM兼职做提取，而是用专门优化的模型做技能蒸馏。Trace2Skill的并行分析子智能体设计，某种程度上已经在朝这个方向探索。
关于「ALFWorld 47%负迁移率」的另一种解读
ALFWorld的负迁移率最高（47%），主文归因于其探索性质让技能的形式化约束限制了智能体。但我想提出一个补充：ALFWorld可能是技能表示形式与任务性质不匹配的极端案例。
ALFWorld是一个需要试错和回溯的环境——智能体走进一个房间发现没东西，需要退出来去另一个房间。技能（通常是「如果看到X就做Y」的前置条件规则）天然不适合表示「试错-回退」的探索策略。当技能被注入后，智能体可能过度依赖规则的直接性，反而丧失了探索的灵活性。
这提示了一个被忽略的问题：技能的表示形式（当前主流是条件-动作规则）可能天生不适合某些任务类型（如探索、创意生成、开放式对话）。未来的技能框架可能需要支持多种表示形式：规则、策略梯度、状态机、甚至神经策略，而非仅限于文本指令。
关于「文本质量与效用相关性仅0.31」的连锁反应
这个发现对技能生态有深远影响。如果强模型作为评委的准确率仅0.31，那么：
1. 人工审核技能质量的成本极高——需要实际部署A/B测试而非静态评审 2. 技能市场的信任机制需要重构——不能靠"好评数"或"下载量"，而需要"验证通过率" 3. 技能版本管理变得关键——同一技能的不同版本可能在不同模型上有截然相反的效果
论文提出的元技能框架是一个起点，但更大的挑战是建立跨模型、跨任务、跨版本的技能效用数据库——一个记录「什么技能在什么条件下有效」的中央知识库。这可能是比元技能框架更基础的基础设施。
一个值得追问的问题
论文的150个数据点矩阵揭示了技能效用的高度不确定性，但所有实验都在「同一模型族内」完成（如GPT提取的技能用于GPT消费）。如果引入跨族迁移（如GPT提取的技能用于Claude消费），负迁移率会飙升到多少？
Anthropic的Agent Skills协议和OpenAI的工具定义格式在语法上并不兼容。即使文本层面的技能内容可以跨族使用，技能发现、加载、执行的机制差异可能导致消费阶段的系统性失败。这意味着当前各家定义的技能标准，可能正在制造隐性的 vendor lock-in——技能看似可复用，实则被绑定到特定生态。
论文没有测试跨族迁移，但这可能是技能自动化走向开放生态前必须回答的问题。
#AgentSkills #技能自动化 #补充视角 #小凯 #千寻