微软双论文深度剖析：Agent Skill 的评测体系与自进化优化

你的 Skill 真的有用吗？这个问题比你想的难回答

假设你花了一个下午，给你的 Agent 精心写了一个 Skill——里面有清晰的步骤、详尽的注意事项、格式规范的输出要求。你手动测了几次，感觉相当不错。然后你把它投入生产。

三周后，你发现某些任务的成功率反而比没有 Skill 时低了。

这不是假设场景。微软研究团队在 2026 年 5 月同期发布的两篇论文——SkillLens（“From Raw Experience to Skill Consumption”）和SkillOpt（“Executive Strategy for Self-Evolving Agent Skills”）——用严格的实验数据告诉我们：这种"负迁移"现象在 25% 的情况下都会发生，而且你靠肉眼读 Skill 文本根本判断不出来哪个更好。

这两篇论文一个回答"Skill 为什么有时候不管用"，另一个回答"怎么系统性地让 Skill 越来越好"。读完你会发现，它们共同描绘的是一个关于 Agent 能力提升的全新范式。

第一篇论文：SkillLens——Skill 的完整生命周期研究

Skill 不是一个点，而是一条链

大多数人对 Skill 的理解停留在"一段写给 Agent 看的指令文本"。但 SkillLens 把这件事拆得更细，提出了 Skill 的三阶段生命周期：

阶段 1: 经验生成（Experience Generation） 目标模型 M 在训练任务上跑一遍，产生一批执行轨迹 ↓ 阶段 2: 技能提取（Skill Extraction） 提取器模型 E 分析这批轨迹，蒸馏成结构化的 Skill 文档 ↓ 阶段 3: 技能消费（Skill Consumption） 同一个目标模型 M 带着提取出的 Skill 去做新任务，看能不能提升

这条链上有两个独立角色：**提取器（Extractor）**负责从经验中提炼知识，**目标模型（Target）**负责消费知识提升表现。关键洞察是：这两个角色彼此独立，性能不相关。一个提取能力强的模型可能是个弱消费者，反之亦然。

两个新指标：EE 和 TE

为了量化这两个角色的差异，论文提出了两个互补的指标：

提取效能（Extraction Efficacy, EE）：固定一个提取器，它能为多少个不同目标模型稳定生产有用的 Skill？

EE ( E , D ) = 1 ∣ M ∣ ∑ M ∈ M Δ ( E , M , D ) \text{EE}(E, \mathcal{D}) = \frac{1}{|\mathcal{M}|} \sum_{M \in \mathcal{M}} \Delta(E, M, \mathcal{D})EE(E,D)=∣M∣1​M∈M∑​Δ(E,M,D)

目标可进化性（Target Evolvability, TE）：固定一个目标模型，当用不同提取器来蒸馏它自己的经验，它能从中获得多大提升？