Overview
会写技能不等于库长期有用。SkillsBench 上「人写有效、朴素 LLM 自写无效」的对照，被 Ratchet 用来定调：瓶颈在版本、冲突与废弃等生命周期管理。后续系统给出不同 librarian 处方——AutoSkill 的 add/merge/discard、Ratchet 的 hygiene 最小配方，以及 MUSE-Autoskill 把创建、单测评估与精炼收进同一运行时回路。
AutoSkill：add / merge / discard
在线路径做 hybrid 检索与 Top-K 注入；演化路径从交互抽候选技能，再经 management judge 在 add、merge、discard 中决策。merge 不是拼接，而是 versioned evolution：保留可复用约束、合并增量并 bump 版本。案例：professional_text_rewrite 到 0.1.34，说明高频生产力技能可反复精炼；低频技能可停在 0.1.0。SkillBank 统计（WildChat-1M，>8 turns，四子集 N=1858）显示库以编程与写作为中心，但仍覆盖多样沟通类技能。
AutoSkill 强调可检视与可编辑，但对「按任务贡献退役」与「硬容量上限」着墨有限；Ratchet 的对照表也将其标为缺少 outcome-driven retirement 与 bounded active-cap。
Ratchet：四类 hygiene
单 agent 回路里，冻结 LLM 同时写、取、管、退自然语言技能。四个候选机制：
- Pattern canonicalisation：近重复失败标签归一，避免同 bug 生两技能。
- Outcome-driven retirement：按贡献分与证据门槛降级弱势技能。
- Bounded active-cap：活跃槽有限，迫使竞争进入 Router shortlist。
- Meta-skill authoring prior：约束 Synthesizer 风格，隐式去重。
技能多从 failure cluster 合成，偏 pitfall / 负向约束。MBPP+ hard-100（Claude Opus 4.7，100 rounds，3 seeds）上 Default 相对 round-0 的 0.258 基线，late-window rolling mean 到 0.584，gain +0.328，peak 0.658；无技能对照几乎不涨。SWE-bench Verified 上有 +0.22 peak lift。
消融要点：去掉 skill injection 增益消失；去掉 meta-skill 损伤大；harsh retirement 可掉到无技能地板以下；显式 canonicalisation / cover-guard 在此规模可被 meta-skill 吸收；更频繁 meta-skill refresh（A8）多花约 55% wall-time 换边际收益。Proposition 1：有限 cap 与 retirement threshold 一起保证期望表现不会无界掉到无技能地板之下。
MUSE-Autoskill：运行时生命周期与评估门控
MUSE 把五阶段（creation / memory / management / evaluation / refinement）放进同一 ReAct agent。关键差别是：skill_create 在执行回路内调用，代码型技能用 tests/ unit tests 门控注册，失败则 update_skill 再检；管理侧支持精炼、合并与裁剪。记忆上除短/长期层外，每技能有 .memory.md 积累跨任务经验。
SkillsBench 75-task（GPT-5.5）上，MUSE 人写技能 59.67%（相对无技能 +12.72pp），自建技能严格 all-75 为 53.42%（+6.47pp）；覆盖 47/75 时覆盖子集 85.24% vs 同子集人写 81.17%。跨 agent：MUSE 自建技能转入 Hermes 达 51.90%，高于 Hermes 人写 48.02%。作者将主瓶颈定为生成覆盖率。完整数字与争议语境见 MUSE-Autoskill。
对照
| 维度 | AutoSkill | Ratchet | MUSE-Autoskill |
|---|---|---|---|
| 技能来源 | 对话/轨迹偏好与工作流 | 失败簇合成 | 运行时成功轨迹蒸馏（skill_create） |
| 维护动作 | add / merge / discard + 版本 | retirement + active-cap + meta prior | 单测门控、update、merge、prune |
| 训练 | 训练无关 plug-in | 权重冻结，无 RL curator | 训练无关；强调跨 agent 迁移实验 |
| 实证形态 | SkillBank 统计与案例 | MBPP+ / SWE-bench 定量增益与消融 | SkillsBench / SkillLearnBench + Hermes 迁移 |
三者都承认库需要治理；AutoSkill 偏标准化工件与持续合并，Ratchet 偏结果驱动裁剪，MUSE 偏创建—评估闭环与可迁移技能包。
Status: Disputed Ratchet 引用的 SkillsBench「LLM 自写 +0.0pp」与 MUSE 自建技能的正增益并存于本主题。差异包括：所引 SkillsBench 原文设定 vs MUSE 的四 agent / 75-task 协议、是否含单测与 skill-level memory、以及 all-task（未覆盖计 0）vs 覆盖子集读数。保留双方主张；不要把其一写成已推翻另一。