文章探讨了大模型技能使用的现状，指出技能使用效果主要取决于 harness 和文档质量，而非模型本身。腾讯混元团队的 Skill-Use 基准测试了多个模型在真实场景中的技能使用情况，发现即使是顶级模型，技能使用率也较低。文章还介绍了 Capability Pages 方法，通过为每个技能编写包含正向触发器、负向边界和判别性主体的档案，有效提升了技能检索和使用的准确性。对于想要提升大模型技能使用效率的读者，这篇文章提供了宝贵的指导和建议。
你给 Agent 装了满满一库 skill，指望它遇事掏出对应的那一页。现实是：它可能连看都没看一眼。
腾讯系团队连出两篇 skill 论文——腾讯混元参与的 Skill-Use 基准先把全行业顶级模型拉去体检，腾讯优图和 IMA 的 Capability Pages 紧接着交出药方。
skill 用得好不好，主要不取决于模型，取决于 harness 和文档。
第一篇：Skill-Use
Skill-Use 模拟的是真实场景里的渐进式披露：Agent 一开始只看到 skill 的名字和一行描述，想用就得自己去把完整文档翻出来。基准收了 79 个来自 GitHub 的真实 skill，配上 177 个可执行任务、九个领域，每个任务在隔离 Docker 沙箱里真跑，按执行轨迹打分。评分拆成三刀：Trigger（该调的时候调了吗）、Compliance（规定流程走完了吗）、Boundary（禁止操作碰了吗），最后合成一个 SU 分数——不触发，后面做得再好也是零分。
Skill-Use 基准的数据构造流水线：从十万级候选筛到79个skill
八个前沿模型，两个当家 harness（Claude Code 和 Codex），考出来的成绩是这样的：最强的 GPT-5.5 跑在 Claude Code 里，SU 也只有 0.613，刚过及格线。
Skill-Use 主结果：8个模型 × 2个harness 的完整成绩单
更有意思的是结构性发现：Boundary 全线高于 Compliance——模型不去做禁止的事挺可靠，把规定流程完整走下来反而难；
触发和遵循是两个独立的瓶颈，DeepSeek-V4-Pro 的触发率只有 0.324，但只要触发了，条件合规 0.588 并不输给 SU 高它一倍的模型。卡住它的不是不会做，是没想到要去做。
换个壳，成绩单重写
这篇论文最扎心的部分叫 harness 依赖。同一个 GPT-5.5，在 Claude Code 里是全场第一（SU 0.613），搬进 Codex 直接掉到 0.503；Claude Opus 4.8 反过来，在 Codex 里登顶（0.559）。中档开源模型更玄学：跨 harness 的任务级相关性只有 0.28 到 0.29，换壳之后有些模型反而涨分。作者的表述很直白：skill 使用是以 harness 为条件的属性，不是模型的固定属性。
还有两个对一线团队特别实用的数字。一是库规模：从 1 个 skill 加到 10 个，成绩断崖式下跌，之后加到 30 个反而没什么变化——大部分失败不是选错，是压根没调用。
二是生死线：把 779 次带 skill 的运行和关掉 skill 库的基线一一配对，SU 低于 0.5 时，用 skill 比不用还糟——模型承诺了规定的工具链和格式却走不完，半途而废比从头自由发挥伤害更大。顺带一提，范围内最会跟流程的模型，范围外滥触发也最狠，Claude Opus 和 GPT-5.5 包揽了大多数不当调用。
第二篇：
第二篇论文接着第一篇的瓶颈往下挖。第一篇已经证明触发、检索是主要瓶颈，第二篇问的是：为什么检索老是失败？答案有点反直觉——问题一大半出在被检索的文本本身。
论文把一个 skill 真正能解决的查询集合定义成它的可执行区域，而 skill 文档只是这个区域的有损观测。两个 skill 文档写得几乎一样、实际能力不同时，论文给了一个数学下界：任何只读文档的检索器都无法区分它们，编码器再强、重排序再精也救不回来。真实案例就在那：MedCalc-Bench 里一个明确要求 Bazett 公式校正 QT 间期的查询，Rautaharju 校正器以 77.79% 排第一，正确的 Bazett 计算器 77.66% 屈居第二——差 0.13 分，两份文档都写着用心率校正 QT，区别只是公式名字。
正确skill进top-10远多于拿到rank-1，池内排序误差巨大
这个误差是结构性的：六个数据集上，正确 skill 挤进 top-10 的频率远高于登顶的频率，对最强的 Qwen3-Embedding-8B 这个缺口还有 29.6 分。
解药：让 skill 说清自己不是什么
既然文本里缺失的信息没法靠模型脑补，那就改文本。Capability Pages 给每个 skill 编一页三段式档案：T⁺ 正向触发器（什么请求该选我）、T⁻ 负向边界（什么请求长得像我但该找别人）、B 判别性主体（我的核心公式和决策规则）。编译完全离线：先把 26,262 个 skill 聚成邻域簇，再让 DeepSeek-V4-Pro 读完整个簇、对比着邻居给每个成员写档案——T⁻ 没法从单个文档推导，必须簇级对比才写得出来，这是整套方法的关键。
部署也讲究：索引侧只用 T⁺ + B + 原文，T⁻ 只喂给路由器。消融实验证明把 T⁻ 混进索引，三个密集检索器 Recall 反而全掉——把邻居的描述写进自我介绍，嵌入会往该拒绝的方向漂。
效果是全线一致的。检索侧，五个检索器 Recall@10 平均 +2.94 分，越弱的检索器受益越大——BM25 直接 +7.63。端到端侧，四个执行器 × 六个数据集共 24 个组合，任务成功率平均 +3.62 分，BigCodeBench 上最高 +7.53。中文场景迁移到 SSL-SkillDiscovery，同一个编码器不动，MRR@50 做到 73.07%。注意一个前提：在线的模型和检索器一个都没换，涨的全是文档工程的分。
端到端结果：加入T⁻后24个组合平均+3.62分
最后
2026 年一晃已经过半，AI 大模型的热潮不仅没有降温，反而持续升温！
金融行业用大模型做风控、医疗依靠 AI 解析影像，电商、制造、教育各行各业，都在把 AI 融入日常业务。曾经热闹的 “百模大战”，早就告别单纯比拼模型参数，正式进入落地应用时代。
现在企业疯狂紧缺一类人才：懂业务、懂 AI、能做出可上线项目的大模型开发工程师，岗位缺口大，薪资待遇十分可观。
风口再好，不如手握高薪 offer 实在。行情火热，普通人、程序员该怎样从零入门大模型，抓住这波机会？
今天整理好【2026 最新版】AI 大模型全套免费学习资源，覆盖零基础入门、项目实战、理论知识、大厂面试，从基础一路进阶。所有资料分类归档，没有多余杂料，无套路免费分享给想要入局 AI 赛道的程序员与零基础小白！
👇👇扫码免费领取全部内容👇👇
1、大模型系统化完整学习路线
2、大模型经典书籍&文档
3、AI 大模型最新行业研究报告
4、企业级实战项目 + 完整配套源码
5、大厂大模型面试真题汇总
6、这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
扫一扫
1074
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
