论文链接：SkillGate: Training In-Policy Skill Selection in Long-Horizon Agents 代码仓库：DeepExperience/SkillGate 模型权重：simonlqy/SkillGate-9B 发表时间：2026年8月 机构：上海交通大学 + 小红书（4名一作为小红书实习生，典型的企业实习 + 高校联合产出模式）
一、论文背景
1.1 Agent 缺的不是文采，是「操作手册」
大模型 Agent 已经从「描述世界」走向「动手改变世界」：调工具、修软件、控制电脑，在多轮「推理—行动—观察」循环里干活。但评测反复揭示一个现象：Agent 卡住的地方很少是话说得不流利，而是不知道某类活该怎么干——程序性知识（procedural knowledge）的缺失。领域的应对方案是把这类知识打包成技能（skill）：可复用的操作模块，通常以一份 SKILL.md 文件存在，只对外暴露一个名字和一行描述，Agent 需要时再按需打开正文。
这套「渐进式披露」（progressive disclosure）的设计现在已是 Agent 框架的标配。公共技能库已经积累了数千个技能——远超一个上下文窗口能装下的量。于是问题来了：当库大到塞不进上下文时，「读哪个技能」本身就成了一项关键决策。
更麻烦的是这项决策的发生时机和形态：它发生在 episode 进行到一半时，Agent 正在解题，面前摆着一列候选技能，每个只有名字和一行描述，它必须在打开文件之前就做出选择——选对了才能看到有用的内容，选错了不仅浪费轮次，还会被错误指引带偏。候选们还故意长得像：几个 token 之差就区分了正确名字和一个看似合理的错误名字。
1.2 一个直觉方案为什么行不通
最顺理成章的训练方法是领域里现成的：把候选技能列出来，用任务结果做奖励，跑 outcome-rewarded RL，让策略梯度自然「流到」读取动作上。论文的核心发现是：在长程任务里这个方案结构性失效，失效原因不是训练不够多，而是一个被作者命名并实测刻画的根源——选择器信用饥饿（selector credit starvation）：
- 信号量近乎为零：给技能命名的那几个 token，只占一条轨迹损失权重的中位数 0.14%；
- 信号随长度稀释：从最短长度档到最长档，这个占比稀释约 7 倍——轨迹越长，选择越「没声音」；
- 信号方向大量错误：近 2/5 的正确选择收到负优势——因为选择之后执行失败了，全序列共享的广播优势把惩罚也摊到了选对的那几个 token 头上；在最长轨迹档，正确选择被惩罚的概率（61.7%）甚至超过抛硬币。
与此同时，这个被「饿着」的决策其实是全轨迹最有价值的决策之一：在同一批 prompt 的配对 rollout 里，读了正确技能的那条轨迹成功率高出 +11.2 个百分点。一个价值巨大的决策，收到的梯度信号却近乎为零、还经常方向错误，且三件事都随轨迹变长单调恶化——这就是 SkillGate 要拆掉的墙。
1.3 工业界视角：为什么这是小红书们关心的问题
这篇论文由上海交大与小红书联合完成，一作中四人是小红书实习生。这个背景不是闲笔：真实企业部署的 Agent harness（如 Claude Skills、各类 MCP 工具生态）正在快速堆積技能库，技能一多，「选不对」就从边角问题变成主瓶颈。论文引用的多项2026年工作（SRA-Bench、Canary Tools、skill shadowing 研究）共同确认：技能可用本身不解决问题，技能覆盖面越大、Agent 反而可能越差。如何在策略内部训练出可靠的按需选技能能力，是技能路线能否规模化的前提。
二、论文定位和关联工作
论文把自己放在两条研究线的交汇处。
2.1 谱系一：技能/工具选择
| 工作 | 路线 | 与 SkillGate 的关键区别 |
|---|---|---|
| SkillReducer、Capability Pages | 改写技能的表示（名字/描述） | 不动选择行为本身，只优化「菜单排版」 |
| SkillSight、SkillRet、SkillRouter | 校准/训练/评测检索 | 在执行之前做路由，选择者是外部组件 |
| AutoTool、daVinci | 给选择单独训练结构（排序目标/独立选择 agent） | 选择与执行分离训练、分离部署 |
| SkillRL、Skill1、SkillRise | 任务奖励下联合优化技能构建与使用 | 仍是 outcome-only 信用，选择信号被淹没 |
这条线的共识是「覆盖不够，选择是瓶颈」，分歧在于谁来选、何时选。SkillGate 的独特立场：选择必须是策略自己的、episode 中途的决策（in-policy），且要和执行从同一批 rollout 里学出来——因为无论事前怎么策展排序，真正发读取指令的还是正在解题的策略本身。
2.2 谱系二：多轮轨迹中信用落在哪里
| 工作 | 思路 | 局限 |
|---|---|---|
| PPO/GRPO 原始形式 | 一个序列级优势广播到每个 token | 均匀性本身就是长程瓶颈 |
| 过程监督（Let’s Verify Step by Step） | 步级监督信号 | 需要人工标注每步对错 |
| Turn-POPO、TCPO 等转级信用 | 每轮一个优势 | 粒度按轮而非按决策类型 |
| TACO、IG-Search 等工具专用信号 | 给工具调用加辅助通道 | 目标事件不同，未隔离身份 token |
| Agent Lightning | 层级 RL 分解转移 | 框架级改造，非轻量 |
这条线的各种补救主要在粒度上做文章——把一个粗奖励切得更细。SkillGate 的观点不同：问题不是粒度不够细，而是不同类型的决策被塞进了同一个优势里互相污染。判断「文件名写对了没有」只需要看候选列表，判断「活干好没有」只能看结果——两者证据来源完全不同，合并成一个数字必然互相腐蚀。
2.3 定位总结
| 维度 | 之前的路线 | SkillGate 的立场 |
|---|---|---|
| 选择时机 | 执行前由外部路由器决定 | episode 中途由策略自己决定 |
| 训练信号 | 共享 outcome 优势或独立监督 | 双通道构造性不相交的信用 |
| 信号粒度 | 更细的时间/步级切分 | 按决策类型切分，与长度无关 |
| 额外组件 | 需要检索器/路由器/标注器 | 零新增组件，纯损失掩码 + 权重工程 |
三、问题定义
3.1 技能、slate 与 episode
一个技能 s 是三元组 (name, desc, body)：名字、一行描述、几万 token 的 SKILL.md 正文。只有名字和描述预先可见。每个任务面前摆着一个 K=16 的标准混合候选板（standard mixed slate），刻意模拟部署环境里真实会遇到的干扰：
| 候选类型 | 数量 | 作用 |
|---|---|---|
| oracle（金标） | 1 | 为该任务撰写、经验证能解出任务 |
| misleading（误导硬负例） | 5 | 主题相邻但功能错误——名字描述都长得像对的 |
| relevant（相关旁观者） | 5 | 来自公共库（2045 个社区技能）的相关技能 |
| irrelevant（无关旁观者） | 5 | 公共库里的无关技能 |
关键是不施加任何约束：不告诉 Agent 哪个是 oracle，不要求读任何东西，想读几个读几个。读取就是一个普通的工具调用（打开沙盒路径下的文件）。每轮预算 30 轮、850 秒。
3.2 读取动作与 token 级划分
论文做了一个贯穿全文的划分，这是理解方法的钥匙。对轨迹里每个打开技能正文的读取动作 a，用训练分词器标出两个嵌套区间：
- 调用区间 C(a)：整个工具调用（包装标记 + 函数名 + 路径）；
- 身份区间 I(a)：路径里的技能名字——只有这几个 token 是「选择」的全部表面，改了它们，打开的就是另一个文件。
于是轨迹的受训 token（assistant 生成的 token，观察不训练）被切成三类：选择 token（各身份区间的并集）、执行 token（其余全部 assistant token）、以及两者都不属于的调用包装。划分是人为强加的，不是 rollout 的自然分段——但正因如此才可能精确。
一个类比：你在一家大公司上班，从内部 Wiki 的两千份操作手册里挑一份来干活。挑哪份手册这个动作，体现在你敲下的那一行路径里；而按手册把活干完，体现在之后几百轮操作里。公司年底只看「项目成没成」发奖金——这就是 outcome-only RL。
四、问题解法
4.1 第一步：先诊断，后开药
SkillGate 的方法论气质是「先审计、后设计」。作者拿一个按标准配方（16 候选 slate + outcome 奖励）训练完成的 run，回头审计它自己的 12,800 条 on-policy 训练轨迹，重算 GRPO 优势、定位身份 token、按轨迹长度分档，得到三性质：
| 性质 | 实测结果 | 含义 |
|---|---|---|
| Share（占比） | 身份 token 占轨迹损失权重中位 0.14%，最短到最长档稀释 7×（0.381% → 0.053%） | 广播优势下，一段 token 的梯度份额 = 它的 token 份额，选择几乎分不到梯度 |
| Sign（符号） | 近 2/5 正确选择收到负优势；最长档 61.7% 被惩罚，超过抛硬币 | 选对了但执行失败 → 全序列负优势 → 策略被教导「别做刚才那个正确选择」 |
| Value（价值） | 同 prompt 组内，读了 oracle 的轨迹成功率高 +11.2pp | 决策本身价值巨大，信号与价值严重失配 |
三项全部随 horizon 单调恶化。这一节是全文最扎实的部分之一：它不是猜测或理论推演，而是对真实训练产物的事后测量。
4.2 第二步：双通道分离信用
SkillGate 的解法一句话可以说完：别再想办法把一个广播优势切得更细，直接把它拆成两个从构造上就不相交的通道。Rollout、奖励、优化器全部不动，改的只是「优势允许落在哪些 token 上」。
任务通道（task channel）：照旧的组归一化 GRPO 优势 A_task(τ) = (R(τ) − μ_G)/(σ_G + ε)，但整段 read call（含包装和身份）从 assistant 掩码里删除，优势只广播给执行 token。任务结果从此完全无法修改选择行为——选对选错，执行 token 收到的信用一样。
选择通道（selector channel）：给每个读取动作打一个 action-local 效用——问题只有一个：这条轨迹是否只读了一次，且读的是 oracle？是则 u(a)=1，否则为 0（读错、多读都算 0）。在全组所有读取动作上做中心化得到 A_sel(a)，只落在身份 token 上。
这里有两个精妙的工程判断：
- 只减均值、不除标准差。动作数很少，除以它们的散差会把噪声放大得比校准的量还多。
- 单次读取约束是防作弊的关键。如果读 oracle 就给 1，策略会学会「把 16 个全读一遍」来保底买信用——单 read 规则让「读了 oracle 再读三个」也得 0，堵死了这条路。
三个数学性质框住了选择项的行为：中心化基线在动作而非轨迹上，所以一个读了四个候选的「滥读兄弟」会拉低全组基线；A_sel 的动作加权和严格为零，所以该通道不构成对「读不读」的持续压力，只管「读哪个名字」；若组内没有干净的 oracle 读取（或全是），所有效用打平，通道自动沉默——信号只出现在组内有分歧的地方。
4.3 第三步：权重工程——让选择的声音与长度无关
两个通道需要相反方向的再缩放：删掉 read call 后任务通道总量变小了，而身份 token 太少会复现饥饿。做法（式 2）：设原始受训 token 总权重为 N，任务权重按 N/N_task 放大、选择权重给每个受信动作 N/M 的总权重（均摊到区间内每个 token），于是两通道的 token 权重和都严格等于 N——这就是论文图 2 里那个醒目的「N = N」。
这个等式带来三个好处：删 read call 不会偷偷调低任务通道的有效学习率；每个受信动作总权重相同，与所在轨迹长度无关、与技能名被切成几片无关；实现里每个 batch 数值验证两笔和，掩码构造、上下文并行分片、损失本身三处断言不相交，任何违反直接中止训练而不是静默退化——工程上的「fail closed」哲学。
4.4 总目标
最终损失（式 3）：L(θ) = 任务项 + λ·选择项 + β·KL，λ=0.20，两通道同一前向传播、同一次 GRPO 更新，选择项完全是 on-policy 的——不是行为克隆、不是交叉熵、不是奖励加分，它从不看策略自己没生成过的 token。信用的语义对四种情形穷尽：只读 oracle → 抬升该名字（无论任务成败）；读了误导候选 → 压低该名字（无论任务成败）；执行 token 永远只按结果受奖惩。因此选择通道里的负值只意味着「读错了技能」或「读了不止一个」，绝不意味着「oracle 的内容没用好」。
再用公司类比：改革后的考核制度把「选型采购」和「工程交付」分开记分——采购只看「买对了没有」，项目成败不再回头改写采购绩效；反之采购对错也不影响工程按结果考核。两边证据来源不同，就别放进同一张记分卡。
五、评估指标与实验证据
5.1 协议设置
- 5 个基准：Claw-Eval、SkillsBench、SETA、SWE、Terminal-Bench 2.0，全部在 K=16 标准混合 slate 下评测；
- 385-trial 协议：56 个非 Claw 任务各跑 4 次（224 trial）+ 161 个 Claw-Eval 任务各 1 次；
- 训练/评测隔离：训练用 491 个不含 Claw-Eval 的任务，训练与评测的 oracle 作为技能身份不相交——排除「背任务-技能映射」的解释；
- 训练配置：Qwen3.5-9B 的 SFT checkpoint 起步，100 步 on-policy GRPO，每 prompt 8 条 rollout，全局 batch 128 条轨迹，lr 1e-6，KL 系数 3e-5，λ=0.20，16 张 H800，单次运行（用任务级 bootstrap 量化不确定性）。
5.2 主结果：53.2%
| 方法 | Claw | SkillsB | SETA | SWE | TB2 | 总体 | Oracle↑ | 误导↓ |
|---|---|---|---|---|---|---|---|---|
| Qwen3.5-9B（未训练） | 44.7 | 0.0 | 24.2 | 15.0 | 9.4 | 28.6 | 5.7 | 8.9 |
| SFT（RL 起点） | 50.9 | 6.2 | 40.0 | 45.0 | 21.9 | 40.8 | 37.9 | 61.8 |
| Selection BC | 52.2 | 15.6 | 43.3 | 50.0 | 34.4 | 44.7 | 71.4 | 31.4 |
| SelSkill-DPO | 52.8 | 0.0 | 47.5 | 60.0 | 37.5 | 46.2 | 66.1 | 51.8 |
| Skill-free RL | 55.9 | 9.4 | 47.5 | 42.5 | 31.2 | 46.0 | 35.4 | 55.0 |
| SkillRL (outcome only) | 57.1 | 3.1 | 50.0 | 45.0 | 31.2 | 47.0 | 54.3 | 69.6 |
| Skill1 (no distill) | 57.1 | 9.4 | 38.3 | 52.5 | 31.2 | 44.7 | 53.5 | 45.5 |
| Task-mask only（λ=0） | 54.7 | 9.4 | 48.3 | 45.0 | 31.2 | 46.0 | 48.9 | 73.6 |
| SkillGate | 60.2 | 15.6 | 54.2 | 65.0 | 37.5 | 53.2 | 83.9 | 21.8 |
四组关键读数：
- 受控对比：vs SkillRL (outcome only)——同初始化、同数据、同步数、同超参，唯一区别是梯度能到达哪里——47.0% → 53.2%（+6.2pp）；280-trial 子集上任务级 bootstrap 给出 +7.9pp，95% 区间 [+2.1, +14.3]，排除零；
- vs 起点：SFT 40.8% → +12.4pp；
- vs 一切 9B 级替代方案：全面超过监督选择（BC 44.7%）、偏好学习（DPO 46.2%）、Skill1（44.7%）、纯掩码（46.0%）；
- vs 巨型参考模型：超过 Qwen3.5-397B-A17B（51.7%）和 DeepSeek-V3.2（47.5%）这两个约 40 倍参数的模型——但仍低于 DeepSeek-V4、GLM-5、Kimi-K2.6 等最强前沿系统（约 60%）。
行为列同样关键：oracle 读取率 54.3% → 83.9%，误导暴露 69.6% → 21.8%（降约三分之二），reads/trial 从 1.88 降到 1.11。反观 outcome-only RL：oracle 和误导暴露一起上升——它学会的是「多读」，不是「会挑」。
5.3 消融：信用落在哪里才有效
Table 2 是全文最有解释力的实验——五种选择信号放置位置，同初始化同步数（280-trial 协议）：
| 设计 | 信号落点 | 成功率 | 干净单读 | reads/trial |
|---|---|---|---|---|
| SkillRL (outcome only) | 无处（锚点） | 42.1 | 21.4 | 1.88 |
| Group-level regret | 整个 prompt 组 | 41.8 | 15.7 | 1.23 |
| Trajectory bonus | 整条轨迹 | 41.8 | 33.9 | 1.33 |
| Action credit | 首个 oracle 读取 | 45.0 | 64.6 | 1.26 |
| SkillGate | 唯一的一次读取（若为 oracle） | 50.0 | 75.4 | 1.11 |
每一种更粗的放置都以恰好暴露下一步要修什么的方式失败：组级 regret 根本碰不到命名 token（组内常数在组内抵消，说不出哪个成员选得好）；轨迹 bonus 推着「多读」而非「读对」（oracle 和误导一起涨）；action credit 终于把信号送到身份 token、行为大幅改善，但不惩罚多读——读了 oracle 再读三个也全额保留信用，干净单读行为停滞；加上单 read 约束才把行为优势兑现成任务成功。只有真正落在身份 token 上的信用才能改变选择，只有单 read 规则才能把选择变成成功。
5.4 外部选择器够不够？
Table 3 冻结执行器（SFT 模型），只换「谁来做选择」：
| 设置 | 成功率 | Top-1 oracle | reads/trial |
|---|---|---|---|
| SFT，标准 slate | 37.1 | — | 1.34 |
| SFT +「只读一个」提示词 | 35.0 | — | 1.35 |
| SFT-9B 路由器 → SFT | 40.7 | 60.0 | 0.94 |
| Qwen3.5-27B 路由器 → SFT | 36.8 | 68.6 | 0.95 |
| 重排序器 top-1 → SFT | 31.8 | 27.1 | 0.89 |
| SkillGate（自己从 16 选） | 50.0 | 78.9 | 1.11 |
| 天花板：只播报正确技能 → SFT | 48.2 | 100.0 | 0.94 |
| 天花板：只播报正确技能 → SkillGate | 52.9 | 100.0 | 0.94 |
三个结论：提示词治不了选择（不是指令遵循问题）；更准的路由器不等于更好的 agent——27B 路由比 9B 准但下游成功率反而更低，因为路由准确率、执行器是否真读交给它的东西、读后执行好坏是三个不同的量；SkillGate 自己从全部 16 个候选里选，居然超过了给冻结执行器直接注入 oracle 的天花板（50.0 vs 48.2），而把同样注入叠在 SkillGate 上还能再涨——选择训练没有损伤策略使用技能的能力。
5.5 成本与不确定性
推理侧 SkillGate 比 outcome-only 更便宜：不同技能读取数 −41.2%、轮数 −5.2%，只有输出 token 略增（符合「先想清楚再一次读」替代「试错式多读」）。按需读取装载的正文 token 量约等于预载 1 个技能；预载全 16 候选是其 16 倍。不确定性处理诚实：trial 级 +7.9pp 显著（区间排除零），pass@4 级 +7.1pp 但区间跨零，论文明确不为后者声称显著性；各分基准区间都很宽，小差异只作方向性解读。
六、效果优势的根源解释
为什么 +6.2pp 归功于信用分离而不是别的？论文的证据链是逐环闭合的。
第一环：增益是行为性的，不是能力性的。SkillGate 没有更多参数、更多数据、更多步数——与 SkillRL (outcome only) 唯一的区别是梯度落点。行为列显示的是一次纯粹的「选择分布平移」：oracle 读取 54.3%→83.9%，误导暴露 69.6%→21.8%，读取数 1.88→1.11。模型不是变聪明了，是变会挑了。而 oracle-only 注入实验证明这个平移值得约 11 分——选择可靠性的上限就摆在那里，SkillGate 吃下了其中的大部分。
第二环：选择信号只由「选对与否」决定。离线审计（Figure 5c）显示：SkillGate 下 oracle 身份 token 收到负任务梯度的比例在每个长度档都是零——按构造即为零。选择通道仍会送出负信用，但只因该负的原因——读错了技能、或读了不止一个——绝不再因「oracle 的内容没被执行好」。诊断里的符号错误被结构性切除。
**第三环：长度无关性。**等权归一（每动作 N/M）让一次选择决策的权重不再随轨迹长度衰减。这直接回应了 Share 性质的 7× 稀释：在 10k+ token 的长轨迹里，outcome-only 下选择几乎学不到东西，SkillGate 下选择和短轨迹里一样响。这解释了为什么增益在长程基准上最明显（SWE 45.0→65.0 是全场最大单项提升，而 SWE 恰是轨迹最长的环境之一）。
**第四环：单 read 效用防住了「买信用」。**Task 2 里 action credit 与 SkillGate 的差距就是证据：两者都把信号送到身份 token，前者不罚多读，干净单读停在 64.6%、成功率 45.0%；后者堵住「全读一遍保底」的漏洞后达到 75.4% / 50.0%。效用函数的一个约束条件值 5 个百分点。
**第五环：为什么监督方法（BC 71.4% oracle 读取）兑现不了成功率。**Selection BC 把 oracle 读取率拉到 71.4%，但成功率只有 44.7%——因为它只在第一轮做 teacher forcing，学的是「模仿读 oracle 的动作」而非「在真实 rollout 分布里识别哪个是 oracle」，更没有和执行学习联合。可靠的技能增强 agent 需要选择学习和执行学习在同一策略里一起做——这是 in-policy 路线相对一切「外部选择器」的的根本论据。
七、必要知识反推
要真正读懂这篇论文，以下知识是必要的，按依赖顺序反推：
- 策略梯度与优势（advantage）：RL 里更新方向由优势 A（回报相对基线的好坏）决定。需要理解「优势 × 对数概率梯度」如何塑造行为，以及错误符号的优势会主动教坏策略——这是 Sign 性质伤害性的前提。
- GRPO 与组归一化优势：同一 prompt 采一组 rollout，用组内均值 μ_G、标准差 σ_G 归一化各条轨迹的任务分得到 A_task。关键推论：优势在轨迹内是常数、广播到每个受训 token——正因如此，一段 token 的梯度份额恰等于其 token 份额（Share 性质的由来）。
- 损失掩码（loss mask）与 token 级操作：LLM RL 只训练 assistant 生成的 token，观察被掩掉。SkillGate 的全部魔法都发生在掩码和权重层面——需要习惯「在 token 级切开一条轨迹」这种操作粒度。
- on-policy 与重要性比：理解为什么选择通道「不是行为克隆、不是交叉熵、不是奖励加分」这个声明重要——它保持同一次前向传播、同一个截断代理损失，没有引入策略外数据。
- Agent harness 与渐进式披露：Claude Skills 式的「名字 + 一行描述 + 按需打开正文」接口，read call 就是普通工具调用。附录 F 给出了确切格式：
read(path="/skills/<skill-name>/SKILL.md")，身份区间即<skill-name>所占 token。 - 硬负例与混合 slate 评测：为什么需要误导候选——只放 oracle 和无关技能时，「随便读一个」就能碰对，测不出选择能力；5 个主题相邻但功能错误的硬负例才逼出真正的判别。
- bootstrap 置信区间：单次运行无法多种子重复时，以任务为重采样单位做 task-level bootstrap——以及为什么 pass@4 区间跨零时要克制显著性声明。
八、论文中可以提取的通用性灵感
即便不做技能选择，这篇论文的几条方法论可以被广泛迁移：
**1. 先审计自己训练产物的「事后取证」范式。**诊断 section 不跑新训练，而是重读已完成 run 的 12,800 条轨迹、按训练时的归一化重算优势、按长度分档。这种「拿自己的训练废墟做取证」的思路适用于任何「我怀疑 RL 没学到 X」的场景：先量化 X 的 token 份额、符号错误率、组内信噪比，再决定开什么药。测量三件套（份额 / 符号 / 价值）本身就是一个可复用的诊断模板。
2. 不同证据来源的决策不该共享一个优势。「文件名对不对」看候选列表就知道，「活干好没有」只有结果知道。任何多类型决策交织的长轨迹（工具选择、信息检索、是否求助、何时提交）都可能出现同款信用污染。通用解法不是把奖励切细，而是按决策类型划分不相交的信用支持。
**3. 构造性保证优于统计性希望。**两个通道不相交是「构造上必然 + 三处断言 + 违反即中止训练」，而不是「调个系数 hopefully 平衡」。当正确性可以在实现层被断言时，不要留给超参数去祈祷。fail closed（对齐失败直接报错）而非静默错记信用，是训练基础设施的好品味。
**4. 效用函数要防「刷分策略」。**单 read 约束堵死了「全读一遍保底买信用」的漏洞。设计任何 action-local 奖励时都该问：**策略最便宜的作弊方式是什么？**效用为 0 的情形（多读、读错）和为 1 的情形同样重要。同理，组中心化让「滥读的兄弟轨迹」拉低基线，把对比压力留在组内分歧处。
5. 让关键决策的权重与上下文长度无关。「N = N」等权归一是个简洁的通用构件：任何容易被长上下文稀释的稀疏决策（一次工具选择、一次提交、一次求助），都可以通过给每个决策等总权重来保护其学习信号。论文还指出这绕开了 outcome-reward 加权方案的不可能性结果——因为效用不派生自结果。
**6. 行为指标与结果指标要同分母联报。**论文坚持 outcome 与 read 行为在同一 385 trial 上测量，才让「行为平移 → 成功提升」的因果链可读。只报成功率会掩盖「多读碰运气」与「精准单读」的区别——两者的成功率可能相同，成本与可靠性截然不同。
**7. 诚实的显著性纪律。**单次运行 + 任务级 bootstrap + 明确声明哪些区间跨零、哪些对比是参考而非受控（前沿模型的接口适配单独写附录 B）——在「一切皆显著」的宣传环境里，这种克制本身就是可迁移的写作伦理。
一句话总结：SkillGate 证明了长程 Agent 的 mid-episode 技能选择是一个被 outcome-only RL 系统性饿死的高价值决策，而修复它不需要新组件、新奖励、新架构——只需要在 token 级把「选哪个文件」和「把活干完」的信用通道干净地分开，再加上一个防刷分的单读效用。9B 模型因此拿到 53.2%，超过 40 倍参数的参考模型；这个结果同时是对「规模化自然涌现选择能力」的一次温和反驳：选择是一种能力，不是规模的副产品。