SkillsVote：从收集、推荐到演进的Agent技能全生命周期治理

长周期LLM智能体（agent）在执行过程中留下的轨迹可转化为可复用的经验，但原始轨迹噪声大且难以管控。我们将智能体技能（Agent Skills）定义为一种经验模式，它耦合了可执行的脚本与不可执行的流程指导。然而，开放技能生态中存在冗余、不均衡且对环境敏感的工件，不加甄别的更新会污染未来的上下文。我们提出SkillsVote——一个覆盖技能收集、推荐到演进的完整生命周期治理框架。SkillsVote对百万级开源语料库进行环境需求、质量与可验证性画像，进而为可验证技能合成任务。在执行前，SkillsVote通过结构化技能库进行智能体库搜索，暴露指令性技能上下文；执行后，它将轨迹分解为技能关联的子任务，将结果归因于技能使用、智能体探索、环境与结果信号，仅允许成功的可复用发现进入基于证据的更新。在评估中，离线演进使GPT-5.2在Terminal-Bench 2.0上提升最高7.9个百分点，在线演进使SWE-Bench Pro提升最高2.6个百分点。总体而言，当系统控制暴露、归因与保存时，受治理的外部技能库可在不更新模型的情况下改进冻结的智能体。