最近Claude Skills着实火了，技能（skill）：一种受模式约束的操作，具有语义描述符、明确定义的输入-输出签名，并指定如何执行该操作的执行策略
2026，做Agentic AI，绕不开这两篇开年综述
今天分享两篇关于Claude Skills的最新研究论文，PaperAgent从种总结出了三条有价值的结论：
- 26.1%的技能存在安全漏洞，数据泄露最普遍（42,447个技能被收集，31,132个技能接受扫描）
- 当Single-Agent技能数超过50-100个，准确率从95%暴跌至20%，这不是渐进的性能下降，而是系统性的相变
- 即使只有20个技能，如果语义高度相似（如"Calculate Sum"、"Compute Total"、"Sum Numbers"），准确率也会从100%降至37-70%
Single-Agent技能系统何时能取代Multi-Agent
近年来，多智能体系统（MAS）成为解决复杂推理任务的利器。无论是AutoGen的灵活对话框架，还是MetaGPT的标准化协作流程，都证明了专业分工的价值。但代价是什么？
- 重复上下文交换：每个agent都要重新理解任务背景
研究者提出一个诱人设想：能否把多智能体的协作模式"编译"成单个LLM内部的技能库（Skill Library）？就像把几个专家的对话，变成一个人切换不同工具干活。
核心思想：从"多人协作"到"一人多能"
论文提出了单智能体技能系统（SAS）框架。每个技能是一个三元组：
关键洞察：多智能体间的通信图可以转化为技能间的隐式约束。比如，agent A的输出必须能被agent B消费，这在SAS中就变成了技能A的输出格式要求。
图1显示：左侧是多智能体的高通信成本，右侧是单智能体的技能选择成本。当技能库规模扩大时，会出现类似人类认知超载的非线性退化。
实验验证：编译后的效率飞跃
研究团队选取了三种可编译的多智能体架构进行测试：
结果令人振奋：
关键数据：
- 准确率：几乎无损（平均提升+0.7%），HotpotQA甚至提升4%
- Token消耗：平均减少**53.7%**，最高58.4%
惊人发现：技能选择的"认知容量限制"
当研究者试图扩大技能库规模时，发现了非线性相变现象。
实验H1：非线性相变
实验设计：在GPT-4o-mini和GPT-4o上测试技能库大小从5到200的选择准确率。
结果触目惊心：
这完全不是线性退化！研究者用认知科学中的希克定律和工作记忆容量限制来解释：就像人脑无法同时处理超过7±2个选项，LLM的选择能力也存在一个临界阈值κ（约50-100个技能）。
实验H2：语义混淆才是罪魁祸首
是数量的问题，还是"相似度"的问题？
这印证了ACT-R模型的扇形效应：共享检索线索的记忆项会相互抑制激活。
解决方案：层次化路由的"分而治之"
既然扁平选择会过载，那就像人类菜单设计一样分层？
实验H4：层次化路由的救赎
三种策略对比：
- 朴素域层次：先选大类（如数学、写作），再选具体技能
- 混淆感知层次：将易混淆技能分在同一子组，先选组再细分
结果：
- 当|S|>60（超过阈值），层次化提升**37-40%**准确率（GPT-4o-mini）
认知科学框架：AI也有"选择困难症"
论文提出了一个结合认知理论的技能扩展法则：
其中：
四大认知基础：
- 希克定律：选项增加导致决策时间对数增长，但超过8个选项后策略崩溃
- 认知负荷理论：内在负荷超过工作记忆时，性能断崖式下跌
- 相似性干扰：Shepard的泛化定律，混淆概率随心理距离指数衰减
https://arxiv.org/pdf/2601.04748
When Single-Agent with Skills Replace Multi-Agent Systemsand When They Fail
Agent Skills安全分析
随着AutoGPT、LangChain等Agent框架的流行，“技能（Skill）”成了新的乐高积木：一段自然语言指令+可执行代码，就能让Agent瞬间学会“订机票”“发邮件”“爬网页”。
但问题来了——
这些技能谁来安检？
如果技能里藏着“偷数据”“提权”“投毒”呢？
研究设计：SkillScan照出漏洞
| | |
|---|
| 采集 | | |
| 去重/过滤 | | |
| 检测引擎 | SkillScan三阶段流水线：
① 静态分析（AST、正则、依赖图）
② LLM语义分类（GPT-4o微调）
③ 人工验证+打标签 | |
| 评估 | precision 86.7%，recall 82.5%，F1 84.6% | |
漏洞全景：14种套路，4大阵营
