新技能该不该入库？让场景来面试它

自进化 agent 把任务经验蒸馏成可复用技能，听起来很美，但技能库的入队验收一直是笔糊涂账：一条技能可能编码了错误流程，也可能只是记住了源任务里搬不走的私货，而现成的基准任务常常根本踩不到这条技能真正起作用的点上，验证无从谈起，坏技能混进库里只会在未来的任务里继续放毒，污染越滚越大。10 月 7 日放榜的 SkillSandbox（arXiv 2610.10088，作者 Serin Kim、Dongha Lee 等）给出的解法干脆：给每条技能办一场专属面试，考场为它现造，面试不过就不发工牌。

三个角色一台戏

场景合成流水线由三个角色组成。出题者决定保留哪些与技能相关的条件、换掉哪些源场景的特有细节，新题与原题同源但不同面，考的是可迁移性而不是背原题；搭考场者据此生成一个可执行的新场景，连环境都是定制的，确保技能在新考场里真用得上而不是空转；判卷者让同一模型带技能与不带技能各跑一遍，对照可执行性、效用与效率三项打分，差距拉开才说明技能有真贡献，最后签发入库或拒绝两档判决，没有模糊地带。对照式设计把技能的边际贡献干净隔离出来，这是它比单次评测高明的地方，也堵住了把环境红利错记到技能头上的可能。

成绩与系列拼图

在 ALFWorld 与 WebShop 两个环境、三个模型上，经 SkillSandbox 把关的技能库带来最强的下游表现，执行效率也同步更优，任务完成得又好又省；附带的分析还检验了增益是否真来自对可迁移性的准确评估，并拆解了各组件的贡献，不是一笔带过的端到端神话，每个角色挣了多少分都有交代。把它接进本周的技能与自进化拼图：R-Quest 管出题质量，SkillForge 管技能库的新陈代谢，SkillSandbox 补上入队验收这最后一道关，三条线合起来，技能治理从生到死的闭环彻底成型，坏技能进不了库、老技能退得了役、留下的每条都经过对照考试的淬炼。论文未附代码仓库，场景合成的三角色思路可以先内化进内部管线：给每条候选技能生成一个 A/B 对照的小考场，几十次运行的成本换整个技能库的干净，这笔账怎么算都划算，等作者开源后再补齐工程细节。