论文链接：Subagents vs Agent Skills: Executing Reusable Knowledge for Long-Horizon Agentic Tasks 发表时间：2026年9月10日 机构：Cornell University × Microsoft Research Cambridge（实习生主导工作，标注"Work done during an internship at Microsoft Research Cambridge"）—— 产学研合作典型 领域标签：cs.CL / Agent Skills / Subagents / Long-Horizon Tasks
一、论文背景
Agent skills 已成为扩展 agent 能力的主流范式：把领域知识打包成多文件技能包（说明文档+脚本+资源），需要时加载。Anthropic 的 Agent Skills、各类 skill 市场都在此范式上生长。但默认执行方式有一个隐含假设——把技能指令塞进主上下文，agent 就会遵循。
长程任务暴露了这个假设的脆弱性：任务越长、上下文里积累的信息越多（任务历史+工具输出+多个技能的指令），推理质量越差。上下文窗口是稀缺资源，技能指令是其中最占空间又最不常用的部分。
另一条路线在产业界已经流行（Cursor 当天发布的 Projects、各类 orchestrator-worker 架构）：把子任务委派给独立上下文的 subagent。但"subagent 调用技能包"与"主上下文加载技能包"从未被系统对照过。
二、论文定位和关联工作
- Agent Skills 路线：技能包即知识容器（Anthropic Agent Skills、 Voyager 技能库等）——关注"技能里放什么"；
- Subagent 路线：orchestrator-worker、任务分解委派——关注"子任务怎么分"；
- 上下文管理：long-horizon 退化、context rot 等现象已有多项研究记录。
| 维度 | skill 载入执行 | subagent 执行 |
|---|---|---|
| 峰值上下文 | 主窗口持续膨胀 | 每子任务全新窗口 |
| 技能指令位置 | 常驻主上下文 | 隔离子窗口 |
| 协调开销 | 无 | 主-sub 通信 token |
| 失败隔离 | 无（污染主上下文） | 有 |
定位结论：本文是第一个把"知识的调用方式"作为受控变量的实证工作——同一批技能包、同一批任务，只变调用方式。
三、问题定义
具体问题：给定技能包库与长程任务，技能应作为主上下文的注入内容执行，还是作为独立 subagent 调用？在什么条件下哪种方式占优？
关键操作化：作者把问题拆成两个可测子问题——(1) subagent 是否降低峰值上下文长度（机制层）；(2) 降低是否转化为性能提升，以及何时转化（效果层）。
四、问题解法
1. 峰值上下文分析（3.1 节）：把任务切分到多个上下文窗口，任一窗口处理的信息量上限显著下降——形式化论证"更多窗口⇒更低峰值"。
2. 输入输出契约（3.2 节）：subagent 有效的前提条件被明确刻画——技能包须暴露清晰的输入输出契约（主 agent 只需知道"给什么、得什么"），且技能指令须编码履行契约所需的过程知识。契约是主-sub 通信的接口，也是隔离的边界。
3. 实验设计（4 节）：SkillsBench 长程任务上对照两种执行模式；两个压力变量——干扰技能数量（描述附加上下文但解题不需要，模拟真实环境中工具繁多的情况）与任务长度；另对比人工精选技能包与自动合成技能包。
五、评估指标与实验证据
- 主结论：技能包有明确契约+过程知识编码时，subagent 执行在任务准确率上稳定优于 skill 载入执行。
- 压力测试：干扰技能数量增加时（初始上下文显著变长），subagent 执行退化更平缓（degrades more gracefully）——上下文隔离的红利随环境复杂度增大而放大。
- 代价：subagent 模式总 token 更高（主-sub 协调开销），是"峰值上下文换总 token"的权衡。
- 技能包来源：合成技能包在两种模式下均不逊于精选包，说明自动合成管线已达实用质量。
六、效果优势的根源解释
机制因果链：skill 载入模式把所有技能指令堆进同一个窗口 → 上下文越长注意力越稀释、指令遵循越不可靠 → 长程任务叠加多技能时恶性循环。subagent 模式的三个机制差异：
- 峰值限制：过程知识（技能指令的绝大部分）被挡在子窗口，主上下文只见契约级结果，信息密度保持高位；
- 隔离即稳定：子任务失败/冗长的中间输出不会污染主上下文——上下文腐蚀被物理隔离；
- 契约即抽象：主 agent 对技能的认知被压缩为接口签名，认知负担从"理解全过程"降为"选择与拼接"。
退化平缓的根源在第 1 条：干扰技能只增加主上下文的"背景噪声"，而噪声对"窗口已很满"的载入模式伤害远大于对"窗口只有契约"的 subagent 模式。
七、必要知识反推
- Agent Skills：Anthropic 2025 推出的技能包规范（SKILL.md+脚本+资源），本文的直接研究对象。
- Subagent：拥有独立上下文窗口的子智能体，由主 agent 生成委派，完成后返回结果。
- 上下文腐蚀（context rot）：上下文变长后 LLM 推理与指令遵循系统性退化的现象。
- SkillsBench：技能调用评测基准，本文实验场。
八、论文中可以提取的通用性灵感
- 知识的调用方式是独立设计维度：同样内容的知识，注入方式（常驻 vs 按需隔离调用）可以造成系统性性能差——知识管理系统（RAG、技能库、文档系统）都应把"调用粒度"当作一等公民。
- 接口契约是隔离的前提：subagent 化之所以可行，是因为契约把"需要知道的"与"需要执行的"分离——任何模块化改造前先定义契约，否则隔离只会制造通信混乱。
- 用峰值而非总量管理资源：预算紧张时，“任一时刻的最大占用"比"总消耗"更值得优化——总 token 换峰值上下文在长程任务中是划算交易。
- 压力测试设计：用"干扰技能数量"模拟真实环境的工具冗余，是评测 agent 架构时低成本高区分度的实验设计。