分享两篇Claude Skills最新论文，有3个核心结论

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
• 多轮协调开销：自然语言通信的延迟和token浪费
• 同步成本：等待多个agent依次完成

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：

• 语义描述符（δ）：技能的"名字"，用于选择
• 执行策略（π）：具体怎么做
• 执行后端（ξ）：内部推理或调用外部工具

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%
• 延迟：平均降低**49.5%**，最高60.9%
• API调用：从3-4次减少到1次

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：

• |S| ≤ 20：准确率>95%
• |S| ≈ 50：开始快速下降
• |S| > 100：准确率跌至20%左右

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？

• 无竞争时，即使20个技能也能100%准确率
• 添加竞品后，准确率暴跌7-63%
• 语义重叠而非数量本身，是性能杀手

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：

1. 扁平选择：直接在所有技能中选（基准）
2. 朴素域层次：先选大类（如数学、写作），再选具体技能
3. 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）
• 准确率从~45%恢复到83-85%
• 关键：确保每个决策点选项数<κ

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：