从文档与轨迹到可信技能——ScienceCUA 与 Zep Agent Skills 双篇精读

论文一链接：ScienceCUA: Resource-to-Skill Construction and Execution-Guided Skill Evolution for Scientific Computer Use Agents 论文二链接：Learning by Doing: Autonomously Compiling and Curating Agent Skills from Verified Traces 发表时间：2026年11月 机构：ScienceCUA——DeepAutonomy Technology（第一单位）+ 北京大学 + 清华大学智能产业研究院 + 香港理工大学 + 新加坡管理大学，企业主导的多高校合作；Zep Agent Skills——Zep AI（六人，纯企业，Agent 记忆公司，部分作者即 Zep 时序知识图谱论文作者） 领域标签：cs.AI，Agent 技能系统 / 程序性记忆 / 计算机使用 Agent

〇、导读：为什么把这两篇放在一起读

Agent 领域过去两年的主线是让模型更强，但生产环境里的真问题往往是：模型每次运行都从同一组权重、同一个系统提示出发，上次跑通的流程这次还要从零再趟一遍。Skills（技能）是针对这个问题的答案之一——把可复用的过程性知识打包成模型可以在推理时加载的资产。Anthropic 的 Agent Skills 开放格式（SKILL.md + 渐进披露）让技能有了统一的打包标准，但该格式只定义了怎么装、怎么读，不定义技能从哪里来、如何验证、如何更新——绝大多数部署里，每个技能仍然由人手写。

这两篇论文恰好覆盖了技能积累的两个源头：

• 文档到技能（ScienceCUA）：科学软件的操作知识早就写在人类作者写的手册里（PDF/HTML），问题是文档巨大、叙事化、版本错配，模型用不动。ScienceCUA 把 12.2M 字符的 GRASS GIS 文档等六套文档蒸馏成 Skill（任务级程序性知识）与 Reference（跨任务查询知识）双资源，并用执行反馈驱动技能自进化。
• 轨迹到技能（Zep Agent Skills）：生产 Agent 每天产生大量执行轨迹，其中被外部系统验证过的成功轨迹是最高质量的过程性知识来源。Zep 把这些轨迹编译成带证据引用、版本治理、威胁控制的技能服务，构成从捕获到服务的完整生产闭环。

两条路线表面不同，深层的共同问题只有一个：技能如何可信地积累与更新。人写的文档会过时（Celestia 1.6.1 手册指引的菜单在 1.7.0 里根本不存在），自动编译的技能会带毒（Skill-Inject 攻击对前沿模型成功率高达 80%）。技能库不是一个静态文件集合，而是一个需要证据链、验证协议、版本治理的知识管理系统。两篇论文用完全不同的方式回答了同一个问题，这正是合并精读的价值。

一、论文背景

1.1 计算机使用 Agent 与科学软件之痛（ScienceCUA 侧）

计算机使用 Agent（CUA）指能通过图形界面和命令行操作真实软件完成多步任务的基础模型 Agent。OSWorld、WebArena、Windows Agent Arena 等基准聚焦通用网页/办公/桌面任务，科学软件受关注很少。而科学软件恰恰是最需要外部知识补丁的场景：操作 GRASS GIS 或 Lean 4 需要应用专属的工作流、命令、语法与参数约束，这些知识在通用模型的预训练分布里覆盖很薄。

ScienceBoard 基准（ICLR 2026）在六个科学应用上评测 CUA。ScienceCUA 团队复现时发现该基准本身有大量噪声——169 个原始任务中 38 个需要修订或删除（指令歧义 15 个、任务与答案错误 12 个、评测器偏差 10 个、1 个因需要外部账号直接删除），于是先做了审计修复版 ScienceBoard-Verified。

关键动机数据：每个应用都配有人写的官方手册，但把文档直接塞进模型上下文，四个模型上成功率只提升 +1.53~+3.42pp，执行时间反而暴涨 49.2%~56.0%。原因很直观：GRASS GIS 文档全文 12,232,449 字符，而一个具体任务可能只需要其中两三行；Celestia 手册第三页在讲"我们中的许多人曾在黑夜中仰望星空……“这类人类向叙事。任务相关信息在人类向文档中极度稀疏，直接注入等于让模型在干草垛里找针，还要为干草垛付每次请求的上下文税。

1.2 生产 Agent 的程序性记忆缺口（Zep 侧）

CoALA 认知架构把 Agent 记忆分为工作记忆、语义记忆（用户/领域事实）、情景记忆（过往交互）、程序性记忆（怎么做）。生产记忆系统（含 Zep 自己的时序知识图谱）主要覆盖前两者，程序性记忆基本靠人写提示或人写技能。

三条现成路线各有硬伤：微调改权重，需要训练轮次、绑定单一模型、难审查难回滚，流程每变一次就要重训一轮；情景检索（找回旧对话转录）便宜，但转录又长又带着单实例的值，还可能携带不该给后来用户看的数据；研究系统的技能学习（Voyager、AWM、ExpeL、ACE）证明了经验可以变成可复用程序，但没有一个满足生产约束：可审计的证据链、不可静默替换、删除可传播、跨框架可用、能接入 Braintrust/LangSmith 等现有轨迹存储。

Zep 论文的威胁模型一节把这个缺口说得很锋利：技能是 Agent 会当作指令照着执行的东西（比被污染的记忆记录更危险），AgentPoison/MINJA 已证明记忆投毒可行，Skill-Inject 报告技能文件指令注入对前沿模型攻击成功率最高 80%，一项对 98,380 个公开技能的扫描发现 157 个恶意技能。一个能不经人工就准入技能的服务，必须有与威胁一一对应的自动控制。

1.3 共同背景：技能格式的标准化与空白

Anthropic 于 2025 年 12 月发布 Agent Skills 格式、2026 年 10 月捐赠给 Linux 基金会下的 AAIF，Claude Code / Claude Cowork / OpenAI Codex 等主流 Agent 宿主都以渐进披露方式加载技能。格式标准化解决了打包与互操作，但"技能如何学到、如何验证、如何版本化、如何治理"完全留白——这就是两篇论文各自填充的空间。

二、论文定位和关联工作

2.1 资源到技能（Resource-to-Skill）谱系

2.2 轨迹到技能与技能库治理谱系

2.3 两篇在谱系中的定位结论

ScienceCUA 站在"资源到技能"与"自进化技能"两条谱系的交点：前者给它初始库，后者修复初始库的固有缺陷（版本错配、覆盖错位）。Zep 站在"经验学习"谱系向生产系统工程延伸的末端：几乎所有单组件都有近邻，但验证分级+逐字段引用+事务准入+成熟度/信任值的治理整体与教师-执行者配对评测协议的严谨度超出此前技能学习论文。两篇共同的差异化主张：技能库的价值不在"有技能”，而在"技能可信地积累与更新"。

三、问题定义

3.1 ScienceCUA 的抽象

具体场景：给定软件文档 D 与部署环境中的任务集，最大化任务成功率。

深层结构：文档是人类向的（叙事、全量、面向旧版本），任务需要的是机器向的（程序性、稀疏、面向当前部署版本）。两者的错配是本质困难，且无法在构造时完全消除——因为 (1) 完全匹配部署版本的文档可能根本不存在；(2) 构造时不知道下游任务分布，覆盖面必然错位；(3) 部分任务需求超出文档覆盖（TeXstudio 任务需要 ChimeraX 测的分子角度）。

形式化：构造初始库 L0 = (S0, R0)，其中 Skill s = (名称, 描述, 适用条件, 前置条件, 过程体)，Reference r = (名称, 用途, 查询内容)。执行时按名称+描述路由、按需组合加载。然后在互斥于测试集的任务集 E 上，用执行反馈演化 L0 至 L_final，最大化不相交测试集 V 上的成功率。

精妙之处在于把"知识缺陷修复"从在线执行中剥离：演化发生在测试之前、在独立任务上、以独立验证为门槛，测试时库已冻结——这就把"边考边学"（评测污染）与"先学后考"（合法迁移）干净地分开了。

3.2 Zep 的抽象

具体场景：已部署 Agent 随时间产生任务尝试，部分结局可被外部系统验证。目标：当下次同类任务到来时，Agent 不必重新解决已解决过的问题。

形式化：把每次尝试记录为 Trace（有序事件 + 结局 + 验证强度），把强验证的成功 Trace 编译为结构化 Skill 合同（适用性字段与过程字段分离），经准入控制成为当前可检索版本；Skill 的使用结局反馈更新其搜索权重与信任值。约束：不训练权重、不执行技能代码、不存隐藏推理；每条主张可溯源到事件；删除源即删除效果。

与 ScienceCUA 的结构对偶很有意思：ScienceCUA 的证据是文档（人类写的、静态、可能过时），Zep 的证据是轨迹（机器产生的、动态、可能带毒）。前者的问题是被证据误导（旧菜单路径），后者的问题是证据本身不可信（注入指令、伪造成果）。类比对比如下：

四、问题解法

4.1 ScienceCUA：两阶段框架

Stage 1：Resource-to-Skill 构造。 类比：把一本写给新员工的入职手册，蒸馏成一套"什么场景翻哪页"的操作卡。管线先把文档解析成可溯源证据库——解析器用作者标题与导航结构化文本与视觉内容并保留源位置，Agent 只做整理不重写内容；下游每个 Reference、Task、推断动作都必须锚定在证据上（文本引用必须与证据文本逐字匹配，Python 验证器把关——这是防幻觉的关键）。从证据库分出双分支：

• Reference 分支：程序抽取并去重候选查询内容（命令表、语法约束、快捷键），Agent 审阅决定保留与分组。例如 KAlgebra 的 root(par1, par2) 语法条目。
• Skill 分支：按"目标→轨迹→归纳"的顺序——先发现文档支持的用户目标（不依赖基准任务输入），对每个目标推断有序动作与预期观测，多条相关轨迹再归纳成一个连贯 Skill。先轨迹后归纳的顺序是为了在抽象时保留可操作细节。
• 各阶段由独立子 Agent 承担（各有自己的工具面、提示、输出合同与预算），LLM 输出全部经 Python 确定性验证（schema、去重、引用匹配、跨对象一致性）后才进入下游。

执行时通过渐进披露：任务开始前按名称+描述路由（model-based 最多选 3 条），选中条目全文载入系统提示；原生 Agent 模式下技能注册为独立可加载资源，Agent 执行中自主选读（无数量限制）。

Stage 2：执行引导技能自进化。 类比：新手在训练任务上犯错后，不许他"记住这次怎么蒙对的"，必须把可用方法写成手册，让另一个新人照着手册独立复现成功才算修复。机制要点：

• 失败历史引导探索：第 i 次探索 τ = Execute(q; L0, F_q, H)，历史含失败轨迹、截图与结局。历史改变的是探索行为，不是知识本身——后续探索仍从同一冻结初始库和同一路由集出发，避免被未验证的改动污染。
• 失败诊断三分类：grounding 失败（界面感知/操作是主要障碍，不产候选）/ 修改既有知识（路由条目相关但有错）/ 补充新知识（真实覆盖缺口，须回到原始文档有界浏览，官方文档根内、仅随站内链接，不用搜索引擎、不用快照、不用模型知识作为证据）。诊断与候选写入在同一分析会话中先后解锁，防止先定伪目标再找理由。
• 独立候选验证：候选 Δ 构造临时库 L̃ = L0 ⊕ Δ，在重置环境、全新会话、空历史（不给任何先前轨迹/诊断/候选理由）下重跑任务，仅凭候选知识本身过关才进入候选池 P。这是整个机制的可信度锚点：验证 Agent 若能靠翻旧轨迹记住解法，就会产生"轨迹记忆"而非"知识"。
• 整合与回归：全部演化任务结束后按目标条目分组合并（语义去重保守分组、失败开到精确分组），多候选合并必须通过回归认证——对每个贡献任务无历史重放全部成功才算认证；预算 M_explore=3、M_submit=3、M_consolidation=3。

4.2 Zep：五段生命周期生产服务

类比：把"老师傅带徒弟"改造成带质检的工厂——徒弟（Reflector）提工艺改动，质检员（Curator）对照现行工艺卡与来料单据裁决，出厂前过扫描与准入门，出厂后的使用反馈（强验证的成败）反过来调整工艺卡的排序与信任等级。

• 捕获：harness 把尝试记录为 Trace。关键设计是结局与验证分离：Agent 自报成功不算数，验证强度由提交者身份决定——工具/外部系统须先注册为命名空间验证者，人须有验证权限，Agent 只能提交自报级。观测平台分数经人注册映射后算外部强验证。重试继承"尝试族"，编译按族计数（一败一成只算一次支持）。
• 编译（双 LLM 角色分离）：Reflector 提议五种操作（增/局部补丁/合并/报告冲突/不动），实例值替换为占位符，每条主张引用支持事件；可信代码校验结构、逐条匹配引用（能修复的仅限确定的引用位置错误，修复不能让无据主张变成有据）。Curator 对照证据与现行技能逐主张裁决，弱重写不得替换可用版本，相似技能优先补丁而非并列新增。cite-or-retain 规则决定证据消费（失败源、未验证源、被采纳变更引用的源被消费；未被引用的成功源保留供后续），提案结果历史作为不可信上下文供 Reflector 避免重复被拒改动。
• 扫描与准入：proposal scanner 与 artifact scanner（确定性检查+模型）拦实例数据（姓名/标识符/凭据/私有 URL）与来自工具输出的指令；准入门核查验证、适用性、冲突、必需评估；结果组按事务整体准入或整体拒绝；默认 auto 模式（人工审查会拖慢每个候选），但选工具技能可强制人工。
• 成熟度与信任：三级——provisional（单尝试族支持）/ corroborated（≥2 族）/ established（信任值达标）。信任值 = 成功率的 95% Wilson 区间下界（样本少时被压低，保守）；搜索权重 = 成功率的贝叶斯后验均值（先验由支持族数 n 决定，强度 k），每次强验证试用都会更新，验证失败可把权重压到先验均值之下。单源技能的三个风险限制：更严的编译检查（不得保留源标识符、适用性限于证据工具与环境）+ provisional 起步低权重 + 后续族到达时补丁/合并升级。
• 检索与交付：词法检索 × 搜索权重排序，适用性字段先过滤（相关性不能越权访问/冲突/退休边界）；渐进披露两步——先返回描述符，Agent 选中才读全文。交付为 Agent Skills 开放格式 SKILL.md，经 MCP（SEP-2640）服务 Claude Code 与 Codex。明确不用向量检索：描述符是短的、策展过的显式文本，主题相似会带回前置条件不匹配的技能。
• 治理：五类威胁逐一映射控制（占位符+扫描防实例泄漏；内容当数据读+扫描防注入；验证身份分级防伪造成果；命名空间+受限事件不编译防越界流动；不执行+可选人工门防危险过程）；删除源 Trace 即时下线所有引用它的技能并调度修复；全程审计记录。

4.3 两篇方法的全景对照

五、评估指标与实验证据

5.1 ScienceCUA 的评估

指标体系：主指标为六应用任务成功率的非加权平均（ScienceBoard-Verified 168 任务）；辅助指标含任务执行总时长、初始库构造时长、资源调用量（Skill/Reference 完成调用数）；消融指标覆盖双资源贡献与自进化组件贡献。

基准：ScienceBoard-Verified（审计修复，168 任务，六科学软件：KAlgebra/Celestia/GRASS GIS/ChimeraX/Lean 4/TeXstudio）+ 108 个互斥演化任务构成 ScienceBoard-VE（共 276 任务）。选择理由：修复后的基准消除了指令歧义/答案错误/评测偏差三类噪声（这些噪声会同时压制所有方法并扭曲组间差距），演化/测试互斥设计直接检验"技能迁移"而非"任务重放"。另扩展支持原生 Agent 评测（Grok Build、Codex），关闭联网防止绕过知识限制。

RQ1 初始库效果（model-based，四模型）：

初始库较 Vanilla +5.76~+7.23pp，而直接注入仅 +1.53~+3.42pp——这个对照直接证明"信息密度"假说：同样的信息源，组织形态决定了可用性。效率上任务执行时间比直接注入少 21.1~28.9%，初始库构造时间 4h23m，比 VisualSkill 少 62.2%、比 SkillFoundry 少 34.6%。原生 Agent：Grok Build 46.29→55.41（+9.12pp）、Codex 54.09→59.82（+5.73pp），同样超过两个基线。

RQ2 双资源互补性（Grok-4.6）：skill-only 40.09 / reference-only 40.62 / 双资源 44.70（原生 Grok Build 为 49.89/51.14/55.41）。单独任一都超 Vanilla，双资源最优。附录 J 的 KAlgebra C-05 三方对照给出机制解释：reference-only 花光预算在找脚本加载入口，skill-only 加载了脚本但表达式停在符号形态（不认识标量积函数的正确写法），双资源下 Agent 用 Skill 的加载流程 + Reference 的函数目录（root(3,2) 与小写 scalarproduct）完成计算，再用执行反馈修正向量结果。这组对照说明两类知识不可互替——程序性知识与查询性知识阻塞在不同的执行环节上。

RQ3 自进化效果（关键表，测试集与演化集互斥）：

总增益 Grok +17.12pp / GPT +14.41pp（相对 Vanilla）；Full 超过 Trace2Skill 与 SkillCAT 两个自进化基线。消融揭示机制归因的分异性：KAlgebra/Celestia 对失败历史敏感（去掉后 KAlgebra 双模型都掉 9.68pp，Celestia 掉 9.09/6.06pp——版本错配型缺陷靠历史避开死路），GRASS GIS 对知识补充敏感（去掉掉 14.71/5.89pp——覆盖缺口型缺陷靠加模块级 Reference 填补）；Lean 4（需要专门数学领域引理）与 TeXstudio（需要跨软件信息）收益有限，附录 N 对照任务需求与文档范围诚实解释了为什么。前沿模型补充实验：GPT-6 Astra 75.19→77.30（仅 +2.11pp），印证"基座越强外部知识增益越小"的边界。

5.2 Zep 的评估

指标体系：主指标 pass rate（通过基准检查器的剧集占比，空响应/上下文溢出/步数耗尽均计失败）；可靠性指标 pass4（τ³ 四试全过任务数）与场景通过率（AppWorld 三变体全过）；效率指标每通过剧集 token 与时延；归因指标按教师成败分层与按"是否有引用本任务 Trace 的技能"分层。

协议：教师-执行者五段（教→编译→冻结快照 SHA-256→双臂执行→配对比较）。执行者与无技能臂同工具同任务，技能臂多三样：技能内容、更长的系统提示（索引）、read_skill 工具——论文诚实声明未分离这三者（7.4 与损失分析部分补偿了这一点）。统计：τ³ 配对 bootstrap 10 万次 + Holm 校正，AppWorld 场景 bootstrap + Bonferroni，EnterpriseOps-Gym 任务 bootstrap。泄漏控制：执行者无网络、教师禁 shell/文件/网、检查 SQL 与参考解隐藏、扫描技能中的检查器 SQL/数据库 ID/隐藏值（未发现）。教师 Claude Opus 5.5 max，执行者 GPT-6 Luna / Claude Haiku 5.5 / DeepSeek V4.1 Flash 各推理力度。

核心结果（26/26 cells 正增益）：

可靠性：τ³ pass4 在 7/8 cells 提升；AppWorld 场景通过率 9/9 提升（GPT-6 Luna low 50.3→72.8%）。效率：τ³ 长剧集每通过剧集 token 全部 8 cells 下降 7.0~44.6%；AppWorld 短剧集因全量索引（62 技能约 2300 提示 token/次调用）7/9 cells 上升（论文指出这是 harness 设计的成本，生产用检索无此负担）。

归因分层（最有说服力的实验设计）：τ³ 上教师 4/4 通过的任务 +17.0pp（40 个）vs 教师 0/4 的 +0.6pp（30 个，区间含 0）；AppWorld 上有引用自身 Trace 技能的任务 +5.9~+22.2pp vs 同场景姊妹任务 −1.4~+2.1pp。这组对照把"增益来自技能内容"与"增益来自提示变长/多一个工具"区分开——若是后者，两分层应无差别。这直接回应了协议未分离三因素的缺陷。

ALFWorld（与连续微调对比）：Qwen3-8B 自教自学（教师=执行者=同一 8B 模型，34 局/类型×6 类型训练局编译 22 技能），在 valid_unseen（未见房间，无任何技能来自评分局）评测：弱基 42.8→75.4%（+32.6pp，消除 57% 失败），RSD（连续微调）为 +13.7pp/37%；强基 74.6→82.8%（+8.2pp），绝对值超 RSD 的 76.6%（8B）/79.6%（14B）。分解：heat 类 4%→65%、clean 38%→90%、cool 29%→63%，two-objects 类不升（41→37%）——增益精确落在基座不会的流程类型上，且技能来自其他房间，这是最干净的跨实例程序迁移证据。上下文基线 Harness@Inf 仅 +2.5pp，说明朴素上下文注入远逊于编译后的结构化技能。

5.3 指标如何支撑各自主张

ScienceCUA 的核心主张是"文档可以变成可执行知识且能自进化修复"。支撑链：四模型初始库全面超基线（组织形态有效）→ 双资源消融（解耦必要）→ 演化/测试互斥下的自进化增益（迁移有效而非记忆）→ 组件消融的分异归因（两种机制各治一类缺陷）。Zep 的核心主张是"验证轨迹编译的技能在生产约束下仍有效"。支撑链：26/26 正增益+多重校正（有效性）→ 教师分层与姊妹任务对照（增益来自内容）→ pass4/场景率（可靠性而非运气）→ ALFWorld 零训练超微调（范式性价比）。两篇各自的诚实边界也都写了：ScienceCUA 承认强基座增益萎缩、Lean/TeXstudio 无解；Zep 承认主实验是重放设计不测新任务迁移、教师上限封顶增益、AppWorld 饱和。

六、效果优势的根源解释

6.1 根源机制与证据链

ScienceCUA 因果链一：信息密度（为什么初始库胜过直接注入/RAG）。

• 直接注入的机制障碍：12.2M 字符文档 vs 数行相关信息，上下文窗口被占满（GRASS GIS 只能注入截断版 367K 字符）、任务相关证据被叙事稀释、每步请求都重复付费；RAG 按 chunk 检索能缓解但无任务结构——chunk 是文档结构单位，不是操作单位。【论文实验已支持：直接注入四模型仅 +1.53~+3.42pp 且时间暴涨；RAG 增益不稳定（GLM 上 +3.78pp 但 Grok 上被 ScienceCUA 超过 3.2pp）】
• ScienceCUA 的本质改变：把"检索文档片段"换成"路由知识条目"。Skill 的过程体是围绕目标组织的完整操作序列，Reference 是去重后的查询目录——两者都是任务形态的知识单元，路由按名称+描述匹配后全文加载，信息密度从千分之一量级提升到接近满格。【论文实验已支持：初始库 +5.76~+7.23pp，执行时间反降 21.1~28.9%】
• 双资源解耦的必要性：程序性知识（怎么走通流程）与查询性知识（语法/参数长什么样）有不同的复用半径——前者绑定目标、后者跨任务共享；混存要么迫使每个任务加载无关语法要么丢失语法细节。C-05 三方对照展示了两类知识阻塞在不同环节。【论文实验已支持：消融表与附录 J 案例双证据】

ScienceCUA 因果链二：证据锚定的独立验证（为什么自进化可信且可迁移）。

• 版本错配的本质：文档描述的是"曾经的界面"，部署环境是"现在的界面"，这类缺陷不可能在构造期发现（构造期不执行任务）。旧知识不仅无用而且有害——Celestia A-05 案例中 Agent 按旧手册在 Display/View/Guides 菜单里耗尽了动作预算，而正确的 O 下拉框从第一步就可见。【论文实验已支持：附录 M 完整五步轨迹】
• 失败历史引导的机制：历史让后续探索"不再走已证死路"，同时明确提示"当 GUI 证据与初始技能冲突时不要机械遵循技能"——这是对过时知识去权威化。去掉它 KAlgebra/Celestia 大幅退化。【论文实验已支持：−失败历史消融 9.68pp/9.09pp】
• 独立验证的机制：空历史重放切断了"靠记住这次轨迹成功"的捷径，候选必须作为可传递知识独立复现成功。这是整个演化不退化为评测污染的关键闸门——K 案例 B-14 中前两个候选（sqrt 写法、幂形式）都在独立验证下暴露"表达式被接受但曲面仍不完整"，第三个探索发现三变量映射后，修订技能在无历史重放中复现了完整双曲面，并迁移到三个此前失败的测试任务（A-03/C-14/C-17）。【论文实验已支持：附录 K 全程+迁移表】
• 【阅读者推测】“每任务至多贡献一个验证候选+全任务结束后统一整合+合并须回归认证"的保守设计，虽然牺牲了在线演化速度，但避免了未回归的合并破坏已验证能力——这在论文中没有单独消融（没有"边演化边安装"对照），属机制推测，依据是多候选合并会改变"逐个验证过"的内容这一逻辑。

Zep 因果链一：为什么增益来自技能内容而非提示变化。

• 增益的候选解释有三个：技能内容、系统提示变长、多了 read_skill 工具。后两者对所有任务恒定，前者只在"教师解出且有技能"的任务上存在。分层结果（+17.0 vs +0.6；+5.922.2 vs −1.4+2.1）与恒定解释矛盾、与内容解释一致。【论文实验已支持】
• 技能传递了什么：教师验证过的步骤与信息源。失败类型分析佐证——技能臂在全部 9 个 EnterpriseOps-Gym cell 里"错误终态"与"缺信息停止"的剧集都更少。【论文实验已支持】
• 教师上限封顶增益的机制：编译只用强验证成功，教师从未解出的任务没有自己的技能，τ³ 上这类任务增益 +0.6pp（含 0）。【论文实验已支持】

Zep 因果链二：为什么不训练权重也能追上微调。

• ALFWorld 弱基实验中 8B 模型不知道 heat/clean/cool 流程，技能把这三类流程的正确步骤注入上下文，失败消除 57% vs RSD 的 37%。机制：微调把流程写进权重（对训练分布内的模式泛化好但需多轮训练），技能把流程放进上下文（零训练、即改即生效、跨模型可用——Zep 评测里同一套技能对三个不同厂商的执行者都有效）。【论文实验已支持】
• 【阅读者推测】弱基大幅增益、强基（typed 示例下 74.6%）仅 +8.2pp 的落差暗示：当上下文里已有优质示范时技能的边际价值收缩——技能与 few-shot 示例在功能上有重叠，此消彼长。论文未直接做技能×示例的交叉消融，此为推测。
• 【阅读者推测】Zep 选择词法检索而非向量检索的理由（描述符短且显式、主题相似会带回前置不匹配项）在论文中只有论证无对照实验，属合理但未验证的设计判断。

共同根源：知识形态与验证协议的匹配。 两篇的深层共识是：外部知识的价值 = 内容正确性 × 组织形态 × 可信度协议。ScienceCUA 用逐字引用锚定构造、用独立验证锚定更新；Zep 用事件引用锚定编译、用验证分级+扫描+事务锚定准入。任何一环缺失，知识资产都会退化为提示噪声甚至攻击面。

6.2 相关工作检索与对照

以下为外部检索核验结果（检索时间 2026-11-04，检索工具 WebSearch，关键词覆盖技能学习/记忆投毒/技能评测/基准）：

检索中未发现公开发表的、对"Skill/Reference 双资源解耦"这一具体设计做独立对照的第三方工作（在本次检索范围内未发现，ScienceCUA 自身的消融是当前唯一直接证据）。也未发现直接复现 Zep 教师分层归因结果的独立研究（Zep 论文自身为唯一来源，其结论应视为单一研究证据）。

6.3 综合判断与未决问题

多项研究共同支持的机制：(1) 验证后入库——Voyager（执行自验证）、ScienceCUA（独立重放验证）、Zep（外部验证分级）、SkillsBench（确定性验证器配对评测）从四个不同角度一致；(2) 按需加载优于全量注入——ScienceCUA 直接对照与 SkillsBench"聚焦技能优于全量文档"互相印证；(3) 失败轨迹是有效学习信号——ExpeL 的成败对比、ScienceCUA 的失败历史消融一致；(4) 轨迹蒸馏技能可跨模型迁移——Trace2Skill 与 Zep 各自独立发现。

仍属合理猜测的机制：ScienceCUA 的保守整合设计（回归认证）相对在线安装的必要性未单独消融；Zep 词法 vs 向量检索的选择无对照；技能与 few-shot 示例的功能重叠关系未经交叉实验。

优势成立条件与失效条件：两篇一致显示——基座越强、外部知识增益越小（GPT-6 Astra +2.11pp；AWM 在新模型上增益消失；AppWorld 饱和区增益缩至 +4.5~7.7pp）；知识源覆盖不到的需求无法凭空补（Lean 4 领域引理、TeXstudio 跨软件信息、教师没解出的任务）；技能文本本身可致败（AppWorld 相反规则被合并保留的损失案例；SkillsBench 16/84 负增量）。失效模式的共同画像：当技能库的知识分布与任务需求分布错位、或基座已内化该知识时，技能系统退化为固定开销。

未决问题：(1) 跨任务迁移的严格量化——Zep 主实验是重放设计，ScienceCUA 的迁移证据限于同软件内任务族；(2) 失败任务的知识挖掘——Zep 只编译强验证成功，失败轨迹中已验证的局部子目标被浪费（论文自列 future work）；(3) 技能库规模化的检索退化——SkillsBench 已观察到负增量任务，Zep 的结构化过滤是缓解而非解决；(4) 治理开销与收益的定量权衡——Wilson 信任值、扫描、事务准入的运行成本未报告。

七、必要知识反推

假设让一个没有任何背景的人从零做出这两篇工作，最少需要哪些知识？

领域知识层：(1) 科学软件的实际操作形态——GUI 菜单、控制台命令、脚本接口的差异，否则无法理解"版本错配"为何致命（菜单路径是版本敏感的字符串）；(2) 认知科学中的记忆分类（CoALA 框架）——不知道程序性记忆与语义/情景记忆的区分，就不会意识到"生产记忆系统缺一块"这个空白；(3) Agent Skills 格式与渐进披露——两篇的交付层都建立在这个标准上。

方法论知识层：(1) 技能学习研究谱系（Voyager→ExpeL→AWM→ACE→Trace2Skill）——不知道这些就不知道"局部补丁优于全量重写"“被拒提案历史有用"“失败对比是信号"等已验证设计教训，Zep 的很多设计直接继承自此；(2) 资源到技能近邻的失败模式（MMG2Skill 的预配对假设、VisualSkill 的截图版本错位）——ScienceCUA 的双资源设计与 HTML/PDF 双合同正建立在这些教训上；(3) prompt injection 与记忆投毒攻击面（AgentPoison/MINJA/Skill-Inject）——Zep 的五威胁模型与控制映射表是把这些安全文献逐条翻译成系统设计；(4) 统计方法——配对 bootstrap、多重比较校正（Holm/Bonferroni）、Wilson 区间、贝叶斯后验，Zep 的评测严谨度与信任度量全靠这些。

工程知识层：(1) 确定性验证器与 LLM 输出的分权——Python 校验 schema/引用/一致性，LLM 只提议不提交（两篇共用的"可信代码"模式，这是把 LLM 从决策者降为提议者的工程纪律）；(2) 基准审计方法论——ScienceCUA 团队能发现 169 任务中 38 个有问题，靠的是逐任务复现+对评测器执行路径的检查（GUI 缓存 vs Console 等价路径）；(3) 生产系统集成约束——trace store（Braintrust/LangSmith）、MCP、命名空间隔离、删除传播，这些决定设计可行边界；(4) 环境工程——容器化科学软件栈、原生 Agent 评测框架扩展。

知识融合的关键节点：(1) “证据锚定"节点——把"LLM 会幻觉"这个常识转化为工程协议（逐字引用匹配/事件引用校验），是两篇可信度的共同基石，融合了 LLM 失效模式知识与确定性验证工程；(2) “独立验证"节点——ScienceCUA 把"评测污染"的方法论担忧转化为空历史重放协议，Zep 把"生产不可执行候选"的约束转化为验证分级+应用侧评估，同一个可信度问题在两种约束下解出两种协议；(3) “双角色分离"节点——Reflector/Curator 分离与诊断/写入先后解锁，都源自"提案与裁决是不同任务、裁决更窄、分开可审计"的洞见；(4) “生命周期"节点——把技能从文件重新概念化为带版本、信任值、准入门的知识资产，是记忆系统工程与数据库事务思想的融合。

八、论文中可以提取的通用性灵感

灵感一：知识资产必须带证据链，否则会退化为攻击面。 核心思想：任何会被下游系统当指令执行的内容（技能、配置、文档片段），都应逐条锚定到可审计的证据，且删除证据能传播到删除效果。 论文证据：Zep 的逐字段事件引用+删除即下线+审计记录；ScienceCUA 的逐字引用锚定与源锚定追加。 推广场景：企业 SOP 管理（新规则须引用生效文件，文件废止则 SOP 自动下线）；代码库 AI 规则文件（CLAUDE.md/AGENTS.md 逐条链接到 issue 或设计文档）；法务合同生成（条款引用条款库来源）；RAG 知识库（答案引用可追溯到入库审批记录）；模型微调数据集（样本携带许可与来源链）。

灵感二：先窄后宽的信任增长曲线优于一次性信任。 核心思想：新入库的自动化产物应从低信任/低权重起步，用持续验证的结局逐步晋升，而非默认全信。 论文证据：Zep 的 provisional→corroborated→established 三级+Wilson 下界信任值+贝叶斯搜索权重；ScienceCUA 的候选独立验证后才入池、多候选合并须回归认证。 推广场景：自动化代码合并（机器人提交先跑更大回归集再晋升信任等级）；推荐系统新物料冷启动（曝光权重随 Engagement 置信度增长）；众包答案聚合（贡献者信任值随被验证次数增长）；告警系统（新检测规则先 shadow 模式观察）；金融风控规则（新规则先小流量灰度）。

灵感三：把 LLM 从决策者降级为提议者，用确定性代码做闸门。 核心思想：LLM 输出是"主张”，其生效前必须经过不依赖 LLM 的结构校验，能修复的仅限无歧义的形式错误。 论文证据：两篇共用的可信代码模式——ScienceCUA 的 Python 验证器（引用逐字匹配、schema、跨对象一致性），Zep 的引用校验/修复边界（修复不能让无据主张变有据）。 推广场景：数据管道（LLM 抽取的字段过 schema+外键校验）；自动写作（生成的数字回查源表格）；Agent 工具调用（参数过类型检查+权限面）；知识图谱构建（三元组过实体库匹配）；表单自动填写（LLM 填、规则引擎校）。

灵感四：程序性知识与查询性知识应分库管理。 核心思想：知识按复用半径与使用方式分类存储（怎么走流程 vs 查什么值），按需组合，优于单一混合库。 论文证据：ScienceCUA 的 Skill/Reference 解耦消融（单独任一都提升、双资源最优）与 C-05 案例（两类知识阻塞不同环节）。 推广场景：企业知识库（流程文档与参数手册分列，工单 Agent 按步查流程、按需查参数）；IDE（代码模板与 API 速查分离）；客服系统（SOP 与产品参数库分离路由）；机器人操作系统（行为树与传感器标定表分离）；临床决策支持（诊疗路径与药物剂量表分离）。

灵感五：失败历史是探索资源而非废料，但必须与知识更新隔离。 核心思想：失败轨迹用于引导后续探索（避开死路、质疑过时权威），其本身不进入知识库——知识入库必须另行通过独立验证。 论文证据：ScienceCUA 后续探索始终从冻结初始库出发、历史只改行为不改知识；ExpeL 用失败对比提炼洞察；Zep 把失败 Trace 留作对照证据而非程序支持。 推广场景：自动化测试（失败用例引导变异测试探索但修复须过 CI）；机器人路径规划（碰撞记录引导采样但地图更新须多传感器确认）；量化交易（止损记录引导策略审查但策略上线须回测）；探索性数据分析（失败假设列表防止重复试错但结论须独立复现）；运维排障（历史工单引导诊断但 KB 条目须验证后发布）。

附录：关键数字速查