arXiv 预印本 · 2026 · 综述论文
SoK: Agentic Skills - Beyond Tool Use in LLM Agents
这篇综述系统梳理了 LLM 智能体中“技能模块（agentic skills）”的定义、获取方式、执行机制、安全风险与评测方法。
概览
这篇综述的三点核心贡献
统一的技能抽象
作者将“skill”形式化为具有适用条件、执行策略、终止条件与接口的可复用过程模块。
完整的生命周期模型
把发现、练习、蒸馏、存储、调用与更新放进同一条系统链路中讨论。
面向真实部署的视角
论文不只讨论能力提升，也把信任分层、供应链风险、评测与治理纳入系统视角。
摘要
把技能模块层当作独立系统层来理解
随着智能体系统承担更长、更复杂的任务，单次工具调用已经不足以解释其稳定性来源。论文提出，真正值得研究的是可复用的过程能力，也就是技能模块（agentic skills）：它们如何被发现、沉淀、调用，并在长期运行中持续维护。
作者据此提出两套互补视角。第一套是七类模式的分类框架，用来描述现实系统中技能模块如何被封装与部署，包括元数据披露、代码式技能、自演化技能库以及市场化分发。第二套则从“技能以什么形式存在、它作用于哪里”来划分表示方式与执行范围。
更重要的是，论文没有把 skill 只当作提示工程技巧，而是把它视为需要安全边界、版本治理和确定性验证的系统资产。这也是整篇综述最有价值的地方。
框架
什么样的过程才算一个 agentic skill
作者把技能模块视为有边界、可复用、可调度的过程模块，从而将其与一次性计划、孤立工具调用和普通记忆记录区分开来。
S = (C, pi, T, R)
由适用条件、执行策略、终止条件与可复用接口共同组成。
何时调用
适用条件决定某个技能是否匹配当前任务上下文。
如何执行
执行策略可以是自然语言、代码、工作流，或它们的混合封装。
何时终止
终止规则让技能具备可审计性，而不是无限延展的提示词。
如何复用
接口把技能暴露为可路由、可组合的调用工件。
生命周期
技能模块不是一次性提示，而是持续演化的系统资产
这一生命周期视图把综述从分类梳理推进到系统层面：技能模块需要被获取、存储、执行、评测，并在证据驱动下持续修订。
发现
识别值得沉淀为技能的重复任务、失败模式或高价值人工操作。
练习与精炼
通过执行反馈、反思或外部监督，持续改进候选过程。
蒸馏
把成功轨迹压缩为边界清晰、可复用的技能工件。
存储与检索
对技能进行索引、版本管理，并在合适的上下文中检索与路由。
执行与更新
在权限边界内运行，再根据评测和回归结果进行精炼、替换或退役。
模式
七类典型模式展示了技能模块如何被封装、调度与分发
这些模式并非互斥；一个成熟系统往往会同时采用多种表示与调度机制。
披露与选择
通过先披露元数据、再按需展开，把技能选择过程显式化，同时控制上下文开销。
可执行约束
代码式技能和工作流封装把复用过程转化为可测试、可回归的运行时行为。
自我改进的技能库
自演化库、混合封装与元技能，让技能管理本身进入智能体闭环。
分发与治理
市场化分发提升了复用效率，也把技能生态带入供应链安全问题。
安全
技能生态会继承典型的软件供应链风险
论文重点关注的威胁
- 通过对抗性元数据干扰技能检索
- 在代码或自然语言技能主体中植入恶意载荷
- 跨租户信息泄露与 confused deputy 问题
- 适用条件被投毒，以及技能随时间漂移
作者用真实市场事件说明治理并非假想问题：一次审计中共发现 1,184 个恶意技能条目，36.8% 的列表存在缺陷，涉及 API key、钱包、浏览器与 SSH key 等凭据窃取。
评测
最明确的实证结论是：人工整理的技能有效，自生成技能未必
人工整理技能
在 SkillsBench 上，平均通过率由 24.3% 提升至 40.6%。
自生成技能
在开放任务场景下，相比无技能基线平均下降 1.3 个百分点。
轨迹规模
这是论文在 SkillsBench 个案分析中引用的轨迹数量。
评测维度
正确性、鲁棒性、效率、泛化与安全。
论文在评测上的立场很务实。关键不在于某个技能模块看起来是否巧妙，而在于它是否能在可重复、可比较的验证条件下稳定改善下游任务。
因此，作者强调 benchmark harness、结果导向验证和工业级回归基础设施。在这个视角里，技能模块更接近生产逻辑，而不只是某个提示词技巧。
引用
引用本文
@article{jiang2026agenticskills,
title = {SoK: Agentic Skills - Beyond Tool Use in LLM Agents},
author = {Jiang, Yanna and Li, Delong and Deng, Haiyu and Ma, Baihe and
Wang, Xu and Wang, Qin and Yu, Guangsheng},
journal = {arXiv preprint arXiv:2602.20867},
year = {2026}
}