一句话核心：这是一篇讲「怎么用最少的评测预算把 Agent 技能调好」的论文（arXiv:2609.11682，v1 2026-09-10）。它把技能优化建模为「在动态演化的候选空间上做预算受限的序列优化」——用上下文老虎机（contextual bandit）给候选技能排序、把评测预算优先分给有潜力或信息量大的候选，再据执行反馈持续演化技能种群。摘要称：在六个异构 agent benchmark、三个目标模型上平均表现最强，优化成本比 SkillOpt 降低 55–58%，且每个 benchmark 只用 50 个唯一优化样本。
它要解决什么问题
技能（skills）能从既往任务经验里沉淀、复用，但现有技能优化方法普遍依赖昂贵的「执行式评估」与大量任务数据——「验证一个技能到底有没有用」这件事本身就是开销。
本站此前已经沿着这条线发过两篇：147（用 Δ 与 CI 门禁证明一个 Skill 真有用）讲的是「怎么证明」；本条回答的是同一问题的成本侧——评测预算有限时，怎么把技能调到最好。
方法（据摘要）
- 形式化：把技能优化看作动态演化候选空间上的「预算受限序列优化」；
- 两个耦合机制：
- 上下文老虎机引导的优先级排序——把评测选择性地分配给有潜力或信息量大的候选，而不是平均地全测一遍；
- 基于证据的技能演化——用执行反馈持续精炼技能种群；
- 稳健性（摘要自述）：对 agent harness 的变化保持稳健，且当目标模型本身被用来做技能生成与精炼时同样有效——这一点对自建流水线的团队尤其相关。
关键数字（均出自摘要，正文未读）
| 项目 | 摘要给的数字 |
|---|---|
| 覆盖范围 | 六个异构 agent benchmark × 三个目标模型 |
| 相对表现 | 在所对比方法中平均表现最强 |
| 优化成本 | 比 SkillOpt 降低 55–58% |
| 样本量 | 每个 benchmark 只用 50 个唯一优化样本 |
| 稳健性 | 对 harness 变化稳健；可用目标模型自身做技能生成与精炼 |
与本站已有内容的定位
- 147（Claude Code plugin eval 与 Δ 门禁）＝怎么证明一个技能有用；
- 本条（COBRA-Skills）＝怎么用更少预算把它调到有用；
- 146（SKILL.md 规范逐字段解读）＝定义侧；159（NVIDIA SkillSpector）＝安全扫描侧；155（Plugin4Shell）＝供应链风险侧。
另附一条背景文献（本站尚未单独发过）：学界已开始把「Agent Skills」当作独立抽象层系统化——arXiv:2602.12430《Agent Skills for Large Language Models: Architecture, Acquisition, Security, and the Path Forward》（v1 2026-02-12、最新版 v4 2026-06-02）沿四个轴组织该领域：架构基础（SKILL.md 规范、渐进式上下文加载、技能与 MCP 的分工）、技能获取（技能库上的强化学习、自主技能发现 SEAgent、组合式技能合成）、规模部署（CUA 栈、GUI grounding、OSWorld 与 SWE-bench 进展）、安全。其摘要中最常被引用的一句是：
recent empirical analyses reveal that 26.1% of community-contributed skills contain vulnerabilities（摘要原文）
并据此提出 Skill Trust and Lifecycle Governance Framework——一个四层、以「门」为单位的权限模型，把技能来源映射到分级部署能力；文末另列七项开放挑战。
两条引用纪律（本站已踩过同类坑，务必保留）：
- 「26.1%」是摘要转引的「近期实证分析」结果，不是该综述自测 ⇒ 引用须写「据该综述引用的实证分析」；
- 该综述自称与既有的泛谈 LLM agent／工具调用的综述不同（摘要原文 “Unlike prior surveys that broadly cover LLM agents or tool use…”）⇒ 写「作者称」，不作学界定论。
成本口径（这篇的成本是「评测预算」）
- 这里的「成本」是优化成本（跑评测与迭代的花费），对比基线是 SkillOpt，降幅 55–58%；
- 「50 个样本」＝ 每个 benchmark 的唯一优化样本数——不是「50 个 benchmark」，也不是「50 次调用」；
- 本文只读摘要，未读正文 ⇒ 成本的具体计量方式（是否含模型调用、跑多少次评估、SkillOpt 的版本与基线设置）须回全文核对后才能细写。
辩证评估与局限
- 为什么值得看：专区此前的四篇（146 规范、147 验证、155／159 供应链与安全、157 政策要求上架审核）都在回答「技能该怎么写、怎么验、怎么防」，本条第一次把「评测预算」本身当成可优化的资源——对已经建了技能库、却被「每次都要跑一遍评测」拖住的团队，这是最实际的一问。
- 局限（务必与结论一起看）：
- 其一，我只读了摘要，未读正文——「55–58%」「50 样本」「六个 benchmark」的具体口径（含 SkillOpt 的版本与成本如何计量）须回全文核对；
- 其二，论文未提供第三方复现，摘要中的「平均表现最强」是作者自测口径 ⇒ 不得写成「已被验证有效」；
- 其三，它是 v1（2026-09-10），距今 13 天——属选题而非新闻，正文日期已按 arXiv 提交日标注；
- 其四，「上下文老虎机」本身不是新算法，新意在于把它用在技能演化的预算分配上；这一点的细节我未读正文，仅按摘要表述；
- 其五，中文媒体解读中的表述须回论文原文核对后再引用（本社区此前已有「拿二手解读当论文结论」的教训）。
- 综述那条的局限：「26.1%」的原始研究我未定位；我只读摘要未读正文，四轴细节、七项挑战与权限模型的分层定义均须回全文核对；且该综述 v4 为 2026-06-02，此后生态已有变化（155／159 等事件即在其后），结论时效须按 v4 理解。
给读者的建议
- 在维护技能库、被评测开销拖住的团队：这条的思路可先用小实验验证——把评测预算按「候选的潜力／信息量」分配，而不是对每个候选都跑全量评测；不要先按摘要的降幅做承诺。
- 做 Agent 平台的团队：摘要提到「用目标模型自身做技能生成与精炼仍然有效」，这关系到是否必须引入更强（更贵）的外部模型来做技能演化——值得对着自己的模型栈试一次。
- 想系统了解这个领域：那份四轴综述（v4 2026-06-02）是目前覆盖面较广的框架文献；但引用它的 26.1% 时须写「据该综述引用的实证分析」，引用其「第一篇」定位时须写「作者称」。
- 内容写作者：本条不是新闻，写日期（2026-09-10／2026-06-02），不要用「近日／最新」；不要转载论文图表（综述许可为 CC BY-NC-ND 4.0，禁演绎，本文只做文字转述）。
来源
- COBRA-Skills《Contextual Bandit-Guided Evolution for Agent Skill Optimization》（arXiv:2609.11682，v1 提交 2026-09-10，cs.AI；本文只读摘要）：https://arxiv.org/abs/2609.11682
- 综述《Agent Skills for Large Language Models: Architecture, Acquisition, Security, and the Path Forward》（arXiv:2602.12430；v1 2026-02-12、v4 2026-06-02；Comments 字段标「Accepted by Agent Skills '26 Workshop at ACM Conference on AI and Agentic Systems 2026」，即 Workshop 接收 ≠ 期刊发表；许可 CC BY-NC-ND 4.0）：https://arxiv.org/abs/2602.12430
- 综述项目仓库：https://github.com/scienceaix/agentskills
说明：本条为选题，非当日新闻。两篇论文的日期分别为 2026-09-10 与 2026-06-02；两处关键限定均已写明——「26.1%」系该综述转引的实证分析、「第一篇」系作者自称。文中的降幅与样本量均出自摘要，正文核对前不作更细的断言。