挑技能该有尺子了：两篇 agent 论文的新解法

agent 技能生态这半年爆发式膨胀，一个现实问题跟着来了：技能越多，越不知道装哪个。10 月 1 日 arXiv 上的两篇论文分别给了技能选择与长任务执行两把新工具，都值得工程侧留意。

MCRI：给技能生态造一把尺子

第一篇是 MCRI（arXiv:2610.01506，Zongrui Yang 等人，cs.AI 与 cs.SE 双栏）。论文出发点很实际：agent 正从单工具系统走向模块化组合架构，技能成了能力分发的主要载体，但一直没有结构化的分析与评估框架。作者从信息增益与行为约束两个概念出发构建四维框架，并落地成基于大模型的 MCRI-Eval 评估方法。

验证规模给得很足：从 OpenClaw 技能中心取了 63812 个公开技能，做 58275 次技能条件下的执行，横跨 BigCodeBench、BFCL 与 Mind2Web 三个基准。结果：MCRI-Eval 评分与社区热度信号正相关；对比各方法其下游排名一致性最高；用它预筛技能后，top-1 选择的下游性能排名比最强基线分别提升 17.7、22.8、19.6 个百分位。对运营技能市场的团队，这就是一个执行前就能用的排序信号，省下大量昂贵的实测成本。要注明：摘要页未见代码开源链接。

PoS：长任务别只靠记忆堆叠

第二篇是 Beyond Memory（arXiv:2610.01415，Yu Luo 等人）。它指出一个被忽视的问题：把交互历史组织成记忆，并不保证 agent 对当前世界有连贯认知。PoS 框架在推理时构建并持续维护显式信念状态作为决策上下文，每个信念状态由世界状态估计加未完成的任务需求组成，配合一致性校验与进度追踪。

最有意思的概念是 Belief Trapping：agent 持续行动却没有任何真实进展的卡死状态。PoS 能检测出这种状态，并按陷入模式与需求类型定制恢复策略。实验覆盖四个执行与诊断类基准，三种 LLM 后端下 PoS 全部拿下总排名第一，上下文规模测试中表现随规模增长依旧稳健。同样未见代码链接，跟进需等后续发布。

放在一起读

技能市场要可信，得先可评估；长任务要可靠，得先知道自己卡没卡。这两篇一个管入口（选对技能），一个管过程（守住信念），加上此前写过的 ClawScan 安全扫描，技能生态的质量基础设施正在被一篇篇补齐。