SkillGate: Training In-Policy Skill Selection in Long-Horizon Agents 精读
论文链接：SkillGate: Training In-Policy Skill Selection in Long-Horizon Agents 代码仓库：DeepExperience/SkillGate 模型链接：simonlqy/SkillGate-9B 发表时间：2026年8月19日（arXiv:2608.18852v1） 机构：上海交通大学 + 小红书（Xiaohongshu Inc.）——典型的产学合作范式：论文由上海交通大学实习生在小红书实习期间完成（“Work done during internship at Xiaohongshu Inc."），企业方 Wenxiang Jiao、Yuan Lu、Weiwen Liu 等为通讯作者。高校侧贡献信用分配的理论洞察与形式化，企业侧提供 2,045 个真实社区技能库与生产级 agent 场景，双方优势互补 领域标签：agent 技能选择 / 强化学习信用分配 / 长 horizon agent 训练
一、论文背景
agent 缺的不是流畅性，而是程序性知识。LLM 如今在环境里行动而非仅仅描述环境：调用工具、修复软件、控制计算机，在"推理—行动—观察"的多轮循环里被基准评测。这些 agent 真正缺乏的东西很少是语言流畅性，而是程序性知识——“这类任务该按什么步骤做"的操作性经验。领域的应对方案是把它打包成技能（skill）：可复用的程序性模块，通常以"名称+一行简描述"的形式预先暴露，agent 按需打开其正文（SKILL.md，通常几千 token）。公共技能库现在已经积累了数千个技能——论文实验中使用的公共社区库就有 2,045 个——远超一个上下文窗口所能容纳的量。
“读哪个技能"由此变成了一个回合中途的策略自决。在数千技能的尺度上，何时用、用哪个技能成为决定成败的决策，而 agent 必须在回合中途（in the middle of an episode）、只凭每个候选的名称和一行描述做出选择——在打开文件看到自己到底选了什么之前。这个决策的关键约束是信息不对称：选之前只有名称与描述，选完才知道选了什么，而读完的内容会制约此后的每一个动作。
打个比方：这就像一个新员工面对公司 wiki 上的上万个文档，只能看标题和一行摘要决定读哪个，而读错一份文档，这个任务可能就废了——更糟的是，那些"看起来都对"的标题长得几乎一样。
为什么这个问题现在必须解决：技能范式已经在 agent 框架中普及（公共库数千个技能），但"技能可用"不等于"技能被正确使用”。如果不解决"读哪个”，技能库越大，agent 反而可能越差。这篇论文正是在这个节点上，把"策略内的技能选择”（in-policy skill selection）从工程问题提升为一个有精确结构刻画、可被训练信号直接优化的学习问题。
二、论文定位和关联工作
2.1 三条既有研究线
技能可用性诊断线：SRA-Bench 给数千任务配对 gold 技能，发现基座模型经常读错；Canary Tools 植入诱饵工具，暴露出系统性的选择错误；skill shadowing 研究与超大候选列表研究证明库越大成功率可能越低。这些工作确立了"技能可用≠会用"的问题意识。
执行前路由优化线（选择发生在策略之外）：SkillReducer 与 Capability Pages 改写技能的表示（名称/描述）；SkillSight、SkillRet、SkillRouter 校准、训练或评测检索。这条线把选择外包给检索/路由系统。
技能构造+使用联合优化线：SkillRL（Xia et al.）在任务奖励下共同进化技能与任务策略；Skill1、SkillRise 同属此类；Skillc（Lin et al.）用对比信用分配学习技能内化；Chen et al. 用偏好学习决定"调用还是跳过"。这条线把选择当作任务奖励的间接受益者。
2.2 SkillGate 的定位
| 方案族 | 代表 | 选择的时机 | 训练信号 | 关键局限 |
|---|---|---|---|---|
| 执行前路由（路由在外） | SkillReducer / Capability Pages / SkillSight / SkillRet / SkillRouter | 策略执行之前，由外部组件定 | 检索标签/校准信号 | 选择与执行割裂，路由准确≠agent 用得好 |
| 一次性监督/偏好 | Selection BC / SelSkill-DPO / Chen et al. | 训练期固定（第一轮读 oracle） | 监督信号/偏好对 | 不在策略内、不知道执行后果的相互作用 |
| 结果 RL（outcome only） | SkillRL / Skill1 / SkillRise | 策略内（回合中途读） | 任务结果广播到全轨迹 | credit starvation：选择 token 信号被稀释且错号 |
| SkillGate（双通道） | 本文 | 策略内，回合中途 | 两个不相交信用通道：结果→执行 token，动作局部优势→命名 token | 需要已知正确技能的训练任务；无法给"不读"记分 |
核心定位：SkillGate 是首个直接训练"策略内选择"信号的方案——既不外包给路由器，也不把选择埋进结果奖励的噪声里，而是给选择决策一条自己的、长度不变的损失通道。与同期 Skillc 的技能对比信用分配（CSCA）相比，SkillGate 的独特之处在于：选择信用与结果信用在 token 支持上严格不相交（在 mask 构造、上下文并行分片、损失三处断言，违反即中止训练），且每个批次内两条通道的 token 权重总和都归一到 N，使选择决策的权重不随轨迹长度衰减。
三、问题定义
3.1 从具体问题到抽象本质
具体问题：agent 框架把程序性知识打包成技能，公共库数千个；agent 在回合中途只凭名称+一行描述选择读哪个技能，选错则任务受损。最顺手的训练方式是领域现成的方法——把候选列表呈现给策略、奖励任务结果、让策略梯度"顺其自然"地到达读取动作。论文证明：在长 horizon 任务中这条路结构性失败。
抽象本质：序列级广播优势下，高价值局部决策的信用如何可达。当一个序列级（trajectory-level）的优势被均匀广播到轨迹上的每个 token 时，一个只占几个 token、却决定整条轨迹走向的局部决策，能否从梯度中获得足以学会自身的信号？
3.2 命名病灶：selector credit starvation（选择器信用饥饿）
论文审计了自己训练 run 的工件（SkillRL outcome-only 的 100 步、12,800 条 on-policy 轨迹），把失败精确化为三个性质：
- Share（份额）：广播优势下一个 span 占梯度的份额等于其 token 份额，而命名技能的 token 中位数只占轨迹的 0.14%——且随轨迹变长稀释数倍（从最短长度桶到最长桶约 7× 稀释）；
- Sign（错号）：这些 token 中每五个里有两个（约 40%）继承的是负优势——选择是对的，但之后的执行失败了，于是正确选择被惩罚；在最长轨迹上，正确选择被惩罚的频率超过抛硬币（50%），甚至高达 61.7%（>16k token 桶）；
- Value（价值）：在匹配的 prompt 组内（同任务、同步数、同策略快照），读到 oracle 的 rollout 比"读别的"的 rollout 成功率高 +11.2 个百分点——这个决策确实极有价值。
三条性质全部随 horizon 单调恶化，而决策的价值不降。也就是说：最有价值的决策得到的信号最少、最常是错的，且任务越长越糟。这就是 credit starvation——选择 token 被"饿死"了训练信号，仅有的信号还大多把方向推反。
3.3 形式化
- 技能三元组：s = (name(s), desc(s), body(s))，只有名称与描述预先可见；
- K 候选档位（slate）：每任务 K 个候选混装四类——1 个 oracle（为该任务撰写并验证可解决它）、误导性硬负例（主题相邻但功能错误）、相关旁观者与不相关旁观者（从公共库采样）；
- 读取动作：A(τ) 为轨迹中有序的打开技能正文的工具调用；每次读取记录调用 span C(a)（整个工具调用）与嵌套的身份 span I(a) ⊆ C(a)（路径中的技能名）；
- token 支持的划分：选择 token = ∪ I(a)（写技能名的 token，其正确性仅凭档位即可判断）；执行 token = 调用 span 之外的所有 assistant token（其质量只有结果能判断）。调用 span 中剥掉身份 span 后的"工具调用包装"不属于任何通道，技能正文作为观察从不训练。
问题的根本表述：选择与执行是由不同证据评判的异质决策——“是否读对了文件"从候选列表即可知晓，“工作做得好不好"只能从结果知晓——把它们混进同一个广播优势，会让两者互相污染对方的信号。需要的不是更好的奖励，也不是更细时间分辨率的同一奖励，而是信用的分离。
四、问题解法
4.1 诊断先行：审计自己训练 run 的工件
方法论的第一个亮点是诊断方式本身：不跑新训练，离线重读已完成 run 的 12,800 条 on-policy 轨迹——按训练归一化重算 GRPO 优势、用训练分词器定位技能身份 token、按轨迹长度分层——然后展示三个性质如何随 horizon 单调恶化（Figure 5）。诊断把"outcome-only RL 教不会选择"从直觉变成测量：份额从 ≤3k 桶的 0.381% 一路稀释到 >16k 桶的 0.053%；错号率从 28.9% 一路爬到 61.7%；同组内"读 oracle 优势差"的信噪比同步崩塌。这是从损失函数结构反推可学能力的示范。
4.2 双通道设计：信用的"分而治之”
SkillGate 对一条轨迹的被训练 token 沿读取动作 span 做划分，在同一次策略梯度更新内建立两条永不相交的信用通道：
| 通道 | 优势 | 到达的 token | 判定证据 |
|---|---|---|---|
| 任务通道（执行） | 组归一化结果优势 A_task = (R(τ)−μ_G)/(σ_G+ε)，沿轨迹恒定 | 执行 token（整个读取调用被从 mask 中删除——包装、函数名、路径一并移除） | 任务结果 |
| 选择通道（选择） | 动作局部优势 A_sel = u(a) − 组内读取动作平均效用 | 恰好是命名技能的 token（身份 span） | 仅凭选择本身：u(a)=1 当且仅当轨迹只读了一次且读的是 oracle，否则 0 |
三条结构性保障让划分在实践中精确成立：
- 支持不相交由构造保证：身份 span 位于被删除的调用 span 内部，两条支持不可能相交；实现上在 mask 构造、上下文并行分片、损失本身三处断言，任何违反都会中止训练而非静默劣化；
- 长度不变的重加权：删除调用 span 后把任务通道权重归一（Σw_task=N），选择通道给每个被记分动作相等的总权重 N/M——选择决策的损失权重不再依赖包含它的轨迹长度，这正是对 Figure 1 中"饥饿"的直接解药；
- 单一前向、纯 on-policy：两条通道进入同一次 GRPO 更新，选择项不是行为克隆、不是交叉熵、不是奖励加成，从不看见策略自己没生成过的 token。
4.3 单读规则：把正确选择转化为任务成功的中介
选择效用的定义里最锋利的一笔是单读规则：u(a)=1 要求"轨迹唯一一次读取就是 oracle”。读了对的再读三个凑数，得 0 分；读两遍 oracle，同样 0 分。这一规则堵死了"靠多读买信用"的漏洞——否则策略可以读遍 16 个候选稳拿 oracle 分。
论文的消融（第五节详述）证明单读规则是把选择行为转化为任务成功的关键中介：没有它（action credit 档），行为指标已经大幅改善（clean single-oracle 64.6%、oracle 暴露 80.0%），但任务成功率停在 45.0%；加上它（SkillGate），clean single-oracle 升到 75.4%，任务成功升到 50.0%。机制解释：只奖励"唯一且正确"的读取，才能让策略形成"先想清楚、读一次、然后执行"的行为结构——读取更少（1.11 次/试验 vs 锚点 1.88）、回合更少、输入 token 更少，只有输出 token 上升（与"读前先推理"而非"读后试错"一致）。
4.4 三个自限性质
选择通道的数学性质给它划定了能力边界：组内 A_sel 的动作加权和恒为零，对"读不读"没有常设压力，只管"读哪个名"；基线在动作上而非轨迹上取平均，一个读四个候选的"滥交兄弟"会拉低全组的基线；当组内没有干净的 oracle 读取或全是干净读取时，所有效用打平、通道自动静默。信号只出现在组内有分歧的地方——这是一个设计得极克制的信号源。
4.5 λ=0.20 的权衡
训练目标 L(θ) = Σ w_task·ℓ_clip(r_t, A_task) + λ·Σ w_sel·ℓ_clip(r_t, A_sel) + β·L_KL。权重等式（两条通道 token 权重总和各为 N）只关乎 token 权重质量，两通道的相对强度仍由 λ 显式设定，论文取 λ=0.20、KL 系数 3×10⁻⁵——选择信号以两成的音量进入，既足以从噪声中浮出，又不喧宾夺主。
五、评估指标与实验证据
5.1 实验设定
- 5 个 agent 基准：Claw-Eval、SkillsBench、SETA、SWE、Terminal-Bench 2.0；
- 16 候选档位：1 oracle + 5 误导硬负例 + 5 相关 + 5 不相关，从 2,045 个公共社区技能库采样，档位顺序逐任务随机化；预算 30 轮/850 秒；不告诉 agent 哪个是 oracle、不强制读、可读任意多个；
- 训练：491 个任务（不含 Claw-Eval 任务，训练与评测的 oracle 作为技能身份不相交——排除"背映射"解释）；100 步 on-policy GRPO、8 rollouts/prompt、batch 128、lr 1e-6、KL 3e-5、λ=0.20、16×H800；
- 385 试验协议：56 个非 Claw 任务×4 重复 + 161 个 Claw-Eval 任务×1；更细的行为分解用 280 试验子集（70 任务×4 重复）。
5.2 主表：成功率与读行为（Table 1，385 试验协议）
| 方法 | 总体成功率 | Oracle 暴露↑ | 误导暴露↓ |
|---|---|---|---|
| Qwen3.5-9B（未训练） | 40.8% | 35.4% | 5.7% |
| Qwen3.5-27B（未训练） | 43.6% | 54.3% | 8.9% |
| SFT（RL 初始化） | 44.7% | 35.4% | 8.9% |
| Selection BC | 46.0% | 54.3% | 61.8% |
| SelSkill-DPO | 47.5% | 69.6% | 31.4% |
| Skill-free RL | 44.7% | 53.5% | 5.7% |
| SkillRL（outcome only，受控对照） | 47.0% | 54.3% | 69.6% |
| Skill1（no distill） | 44.7% | 48.9% | 51.8% |
| Task-mask only | 46.0% | 73.6% | 55.0% |
| SkillGate | 53.2% | 83.9% | 21.8% |
| 前沿参考：DS-V4-Flash / GLM-5 / DS-V4-Pro / Kimi-K2.6 / Qwen3.5-397B-A17B / DS-V3.2 | 60.3–61.0%（V3.2 为 47.5%） | 16.1–45.7% | 5.7–29.4% |
SkillGate 在 9B 档所有方法中总体最强（53.2% vs 受控对照 SkillRL 的 47.0%），且在五个基准上逐项最佳或并列最佳。读行为列揭示了本质：outcome-only RL 同时抬高 oracle 暴露（54.3%）与误导暴露（69.6%）——它学会了"多读"，没学会"读对"；SkillGate 则做出最强联合位移——oracle 暴露 83.9%（9B 档最高）且误导暴露 21.8%（约比 SkillRL 的 69.6% 减少三分之二），同时读取更少。行为与结果共享同一 385 试验分母。
5.3 五档信用设计消融：每档"更粗落点"的特定失败模式（Table 2，280 试验协议）
同一初始化、同 100 步，只变"选择信号落在哪"：
| 设计 | 信用落在哪 | 试验成功率 | clean single-oracle | oracle 暴露 | 误导暴露 | reads/trial |
|---|---|---|---|---|---|---|
| SkillRL（outcome only） | 无处（锚点） | 42.1% | 21.4% | 54.3% | 69.6% | 1.88 |
| 组级 regret | 整个 prompt 组 | 41.8% | 15.7% | 33.6% | 47.5% | 1.23 |
| 轨迹 bonus | 整条轨迹 | 41.8% | 33.9% | 47.9% | 55.4% | 1.33 |
| 动作信用 | 首个 oracle 读取 | 45.0% | 64.6% | 80.0% | 32.5% | 1.26 |
| SkillGate | 唯一读取且为 oracle | 50.0% | 75.4% | 83.9% | 21.8% | 1.11 |
逐档失败模式（这是论文最漂亮的消融）：
- 组级 regret：组常数位移在组内自行抵消，说不出"哪个成员选得好"，从不触及命名技能的 token——oracle 暴露（33.6%）甚至掉到锚点（54.3%）以下；
- 轨迹 bonus：推动策略"读"，不推动"读对"——oracle 与误导暴露（47.9%/55.4%）一起上升，成功率原地踏步；
- 动作信用：信号终于落到身份 token 上，行为指标大涨（clean single-oracle 64.6%）——但从不惩罚多读：读了 oracle 再读三个杂技能照样满分，clean 行为停滞，成功率只到 45.0%；
- SkillGate（加单读规则）：把行为改善转化为任务成功（50.0% vs 45.0%），同时读取次数最低（1.11 vs 锚点 1.88）。
5.4 等预算受控对照的证明力
SkillGate vs SkillRL 是同初始化、同数据、同步数、同超参，仅在"梯度可达处"不同的受控对照——两者的差异恰好隔离出"token 局部选择信用"的价值（53.2% vs 47.0%）。附录 E 用任务级 bootstrap 量化不确定性：试验级合并成功率 +7.9pp，95% 置信区间 [+2.1, +14.3] 排除零；作者也坦诚 pass@4 的区间（[−1.4, +15.7]）不排除零，不声称该指标显著——单 run、任务级重采样的诚实边界。
5.5 外部路由对照与"天花板"（Table 3）
把执行器冻结、只换"谁来选"：SFT-9B 路由器 40.7%、Qwen3.5-27B 路由器 36.8%（路由更准反而下游更差——路由准确率、执行器是否真读交给它的技能、读完执行得好，是三个不同的量）、Qwen3 重排器 31.8%（独立打分而非比较，恰好被"近重复候选"击败）；“只读一个"的提示词毫无作用（35.0% vs 37.1%，行为也不变——证明这不是指令遵循失败）；而 SkillGate 自己从全部 16 候选中自选达 50.0%，甚至超过冻结执行器的 oracle-only 注入天花板（48.2%）；在 SkillGate 之上再做 oracle-only 注入还能再涨（52.9%）——选择训练没有损害"拿到技能后使用它"的能力。
5.6 前沿参考揭示"规模不产生可靠选择器”
六个前沿模型（约 40 倍参数量级）在任务成功上多数领先（60%+），但没有一个能在半数以上试验读到 oracle（oracle 暴露 16.1%–45.7%，V3.2 最弱仅 16.1%；P(oracle|read) 最高 71.4%）。它们的通用能力能补偿很多错过的技能，但没有产生一个可靠的选择器。SkillGate-9B 在任务成功上超过 Qwen3.5-397B-A17B 与 DeepSeek-V3.2——选对技能是一种必须直接训练的独立能力，不能指望从规模中涌现。
5.7 成本侧证据
SkillGate 比受控对照在所有交互计数上更便宜——不同技能读取少 41.2%、回合少 5.2%、累计输入 token 更少，仅输出 token 上升。上下文成本上，按需读取加载的技能正文 token 量约等于"预载恰好 1 个技能"（2.1k vs 2.2k），而预载随 k 线性增长，满档 16 候选时要 34.7k——按需正确读取是上下文经济性的最优解。
六、效果优势的根源解释
对比对象：等预算的 outcome-only RL（SkillRL）、监督/偏好选择、外部路由器、40 倍参数的前沿模型。
因果链（诊断→设计→行为→结果四步）：
- 病灶：广播优势下，选择 token 的损失份额→0（中位 0.14%，7× 稀释）且信用日益错号（40% 负优势，最长轨迹 61.7% 超抛硬币）——优化器学不到选择，甚至被推向少读/乱读；
- 解药：双通道把"选择的奖励"与"执行的奖励"在 token 支持上解耦——结果优势永远无法修订选择（整个读取调用从任务 mask 删除），选择由仅凭档位即可判定的动作局部优势训练，且每个被记分动作权重相等、与轨迹长度无关；
- 信号密度恢复：clean single-oracle 从锚点 21.4% 升到 75.4%（+54pp）——选择行为本身被学会了；oracle 暴露 83.9% vs 54.3%，误导暴露 21.8% vs 69.6%；
- 中介转化：单读规则把"读对"铸成"只读一次且读对"的行为结构，读取次数反而最低（1.11），任务成功从 42.1% 升到 50.0%（280 协议）/ 47.0%→53.2%（385 协议）。
每档更粗落点为何失败的机制表：
| 落点 | 机制性失败 |
|---|---|
| 组级（regret） | 组常数在组内求和为零，梯度信息为零——“对该组好"推不出"对哪条轨迹好”，更推不出"对哪个 token 好" |
| 轨迹级（bonus） | 落到全轨迹等于稀释回广播结构——奖励"发生过读取"这个事件，oracle 与误导一起被强化 |
| 动作级无单读（action credit） | 信号已精准但目标函数可被"多读"套利——读了 oracle 再读三个也满分，干净行为（唯一且正确）无额外激励 |
| SkillGate（唯一读取+oracle） | 堵死套利，行为指标与结果指标同时到顶 |
为何监督/偏好/路由都不够：Selection BC 改善选择但损害下游（误导暴露 61.8%！——只会模仿"读 oracle"，没学会区分误导项）；外部路由器再准，也解决不了"执行器是否接受这个选择"与"执行器是否用得好"两道后续耦合——可靠的 agent 需要选择学习与执行学习在同一策略内共同发生。这也解释了 SkillGate 超过 oracle-only 注入天花板（50.0% vs 48.2%）的看似反常：注入只保证"读到对的"，SkillGate 还额外训练了"读完之后怎么用好"。
七、必要知识反推
领域知识层：技能库生态（progressive disclosure 范式：名称+一行描述先行、正文按需打开；公共库规模数千、2,045 个社区技能的分布与质量）；agent 基准族（Claw-Eval/SkillsBench/SETA/SWE/Terminal-Bench 2.0 各自的任务形态与 grader 差异）；技能可用性研究谱系（SRA-Bench 的配对 gold 技能发现、Canary Tools 的诱饵诊断、skill shadowing 与候选列表规模效应）——不知道"选择失败是系统性的"就不会想到给它专门通道。
方法论知识层：GRPO 组相对优势的广播结构（“一个 span 占梯度的份额等于其 token 份额"这一性质直接推出 starvation）；token 级信用分配思想谱系（步级过程监督、按轮信用、工具边界切分、兄弟 rollout 反事实、序列内重加权——SkillGate 的差异是"不相交支持+长度不变权重”）；行为测量协议设计（oracle/误导暴露、P(oracle|read)、reads/trial、clean single-oracle——结果指标之前的失败模式显影剂）；等预算受控对照方法（同初始化/数据/步数/超参，仅梯度可达处不同）。
工程知识层：16 候选档位的构造（1+5+5+5 四类混装、硬负例"主题相邻功能错误"的合成、顺序随机化）；385/280 试验协议（行为与结果同分母、跨重复的逐试验归因）；读取 span 的 tokenizer 对齐与 fail-closed 处理（对不齐就中止而非静默错记）；mask 三处断言的工程纪律；单 run 下的任务级 bootstrap 不确定性量化。
知识融合的关键节点：最有创造性的一步是**“信用分配的粒度决定能学到什么”——从损失函数结构反推可学能力。需要同时看到三层：GRPO 的数学性质（份额=token 占比）→ 命名 token 的物理渺小（0.14%）→ 两类决策的评判证据本就不同（档位可判 vs 结果可判）。第二个节点是单读规则的中介地位**——意识到"选择正确"与"选择转化为成功"之间隔着一个行为结构问题（多读套利），用效用定义里一个"当且仅当"就同时解决了信号与行为。第三个节点是诊断先于设计——先审计已完成 run 的工件把病灶测成三条单调恶化的曲线，再让设计的每个部件精确对位一条曲线。
八、论文中可以提取的通用性灵感
1. 信用可达性决定可学性 论文证据：损失份额中位 0.14%、7× 稀释、40% 错号——一个 +11.2pp 价值的决策在端到端训练中几乎学不会；把它的信用通道独立出来后 clean single-oracle 从 21.4% 直升 75.4%。 推广：任何端到端训练系统中，先问"我想学的那个决策，在损失里占多少份额、符号对不对"——份额趋零的决策永远学不会。组织激励同理：如果团队奖励只按最终成果发放，占比最小的关键决策（一个架构选择、一次风险预警）会被系统性忽略甚至被错误归因，需要给关键局部决策专属的考核通道。
2. 两个不相交通道分离异质决策 论文证据：选择与执行的评判证据不同（档位 vs 结果），混在一个广播优势里互相污染；划分后两通道各自到顶，且三处断言保证支持严格不相交。 推广：多目标系统里，凡"评判证据不同的决策"就不该共享同一反馈信号——产品团队里"选做什么"（战略判断）与"做得怎么样"（执行质量）要用不同机制考核；多任务学习中给异质损失各自归一化通道；个人成长中"选择方向"与"努力程度"要分开复盘，避免"方向选对但执行受挫"时把方向也否定掉。
3. 单读规则：选择→成功的转化中介 论文证据：无单读的动作信用停在 45.0%，加单读规则到 50.0%——只奖励"唯一且正确"才把选择行为铸成能兑现为成功的行动结构（读取反而更少）。 推广：信息获取决策的评估要计"获取成本"——读三份报告才蒙对一份不算好的信息素养；诊断流程"先鉴别诊断再检查"优于"检查全开"；工具使用中"一次调用就调对 API"应比"轮询所有 API"得分高。任何奖励设计都要问：我的目标函数能否被"全都要"套利？
4. 规模不产生特定能力 论文证据：六个约 40 倍参数的前沿模型没有一个半数试验读到 oracle（暴露 16.1%–45.7%），而 9B 的 SkillGate 靠 100 步专项训练达到 83.9% 并在成功率上超过其中两个。 推广：通用能力的堆叠不保证具体能力的可靠——关键决策的可靠性需要显式设计训练信号，而非期待涌现；组织里同理，头部通才扎堆不等于某个关键环节有人可靠地做好，关键岗位能力要专门建设与考核。
5. 行为指标先于结果指标诊断 论文证据：结果 RL 的成功率涨了一点（44.7→47.0）但误导暴露暴涨到 69.6%——行为指标揭示它是"多读"而非"读对"；五档消融里成功率几乎并列的三档（41.8/41.8/42.1）行为模式完全不同。 推广：任何系统的过程监控——代码评审数涨了不等于质量涨了（可能是误报泛滥）；客服响应快了不等于解决率高；先定义"正确的行为指纹"，才能区分"结果好的运气"与"结果好的能力"，也才能在结果尚未改善时判断方法是否走偏。
结语
SkillGate 的贡献可以压缩成一句话：当一个决策的价值与它在损失中的份额严重倒挂时，解法不是更多训练，而是重新划分信用的到达范围。诊断（三条单调恶化的曲线）、设计（两个不相交通道+单读规则+长度不变权重）、验证（五档消融逐档夹出每个部件的必要性、等预算对照隔离变量、行为指标显影失败模式）构成了一个完整的"测量驱动设计"范本。局限也同样清醒：单 run、需要已知正确技能的训练任务、无法给"克制不读"记分（abstention）。但它指出的方向——回合中途的高价值局部决策需要专属信用通道——适用于远超技能选择的场景：工具调用、检索查询、人机协作中的每一次关键分岔，只要"选择"与"执行"的评判证据不同，这个划分就值得考虑。