💡 一句话总结：把 Agent 技能的「粒度」当作运行时控制变量------该用微工具时用微工具、该用宏技能时用宏技能、宏失败时自动降级补救，试点实验里 100% 成功率的同时把 token 成本压掉一半。做 Agent 框架和技能库的工程师值得深读。
导语：你的技能库可能正在拖累你的 Agent
先问一个可能戳到你的问题：你的 Coding Agent 技能库攒了多少条技能了？十几条 SKILL.md，几十个打包好的工具链，看起来弹药充足。但有没有发现，有些任务让它直接用最笨的「读文件-改代码-跑测试」反而又快又稳，一启用某个看起来很高级的「一键重构」宏技能，跑到一半报错，工作区被改了一半，Agent 开始原地打转？
这不是你的错觉。今年有一批研究在系统性地验证这件事：技能注入的收益是不均匀的。引用的 SWE-Skills-Bench 就发现，当技能的抽象层级和任务上下文不匹配时，技能不仅增加成本，甚至会劣化软件工程表现。技能不是越多越好，也不是越「高级」越好。
那怎么办？上海交大联合华威大学、快手的几位作者在 2026 年 10 月 22 日挂上 arXiv 的这篇论文，给出了一个相当清爽的回答：别把「用不用技能」当成检索的副产品，把它升级成一个运行时控制问题 。论文的名字叫 Adaptive Skill Granularity for Coding Agents: Runtime Routing and Macro-to-Micro Recovery（面向编码 Agent 的自适应技能粒度：运行时路由与宏到微恢复）。
想自己动手试？
- 📄 论文：arXiv 2610.31461
- 💻 代码：GitHub · Jayceon-3/Adaptive-Skill-Agent
- 📊 数据集：GranBench-Code（80 任务，随代码仓库发布）
这篇论文到底想解决什么问题？
把 Agent 的动作想象成两种「粗细」：微动作 （micro）是一次一个原始工具调用------读文件、搜代码、编辑、跑测试，每步都很稳，但一个任务要走上六七步；宏动作（macro）是把一整套流程打包成一次调用------比如「移动模块并改写所有 import」，一步顶五步，效率翻倍。
为什么会这样？因为宏技能本质上是把「过去验证过的执行经验」固化成了单个动作。它对标准场景极其高效，但它的前提条件是写死的：一旦当前工作区和它预期的不一样------目标文本不存在、依赖结构变了、测试本来就不通过------宏就会在执行中途失败。而此时它可能已经把工作区改了一半，这个「半成品状态」比没动手之前更难收拾。
现有的技能生态（Markdown 技能、技能路由器、依赖感知技能图、轨迹挖掘）几乎都在优化同一件事：任务开始前，把最相关的技能文本塞给模型。这没错，但不完整。检索回答的是「哪个技能和任务相关」，却没人回答「这次执行到底该用多粗的动作、失败了怎么办」。
论文把这个问题形式化为三种执行模式：micro （只用原始工具）、macro （只用宏技能）、hybrid（先上宏，出现可观察的失败后降级回微工具补救）。核心假设一句话：没有万能粒度，最优选择取决于任务结构、技能质量和执行状态------所以它应该是一个显式的运行时决策。
它的思路是什么？
整个系统分三块：一个粒度控制器 决定初始模式，一组带契约的宏技能 提供高级动作，一个有限状态机恢复执行器（FSM，简单说就是一个「当前处于什么状态、什么事件触发什么转移」的调度器）处理失败降级。先看全景图：
**粒度控制器怎么决策？**它在任务开始前从元数据和初始工作区抽 10 个结构特征：文件路径数、Python 和非 Python 文件数、提示里的实体串数量、AST（抽象语法树，代码的结构化表示）节点数与最大深度、import 数量、跨文件依赖数，外加「是不是文本任务」「是不是重构任务」两个开关。
这里有个容易被忽略但很妙的设计约束：路由器只准看执行前的证据。它不许偷看本轮的验证结果------这保证了评估时不作弊，也让决策可以被完整审计。而承载决策的模型，是一个最大深度 4 的决策树，离线在历史执行日志上训练好后序列化成 JSON。为什么不整个神经网络？作者的理由很工程师：浅决策树可审计、无在线再训练、无黑盒检查点，每条路由决策都能追责。
宏技能凭什么可以被「降级」？论文给宏技能定了一个七元组契约：名字、参数、前置条件（什么时候适用）、允许的副作用（能动工作区的哪些部分）、内部验证例程、可观察的失败类别、以及微级回退路径。最后这项是关键------宏失败后必须暴露足够的状态信息，让执行器能判断「当前这个半成品工作区能不能用原始工具修好」。没有这份契约，降级就是一句空话。
**失败了怎么救？**看这张状态机图：
执行器把宏失败当成一次状态转移 而不是终局。失败会被归入五类之一：前置条件不匹配（宏不适应当前工作区）、部分副作用（失败前已经改了状态）、验证失败（语法检查或测试拒绝）、工具协议失败（参数或返回的 JSON 畸形）、执行器异常（运行时自己挂了）。还有一条记账铁律：只有降级后的微轨迹最终通过验证器，这次恢复才记功。模型自己说「我修好了」不算数。
三条设计不变量贯穿始终：路由只用执行前证据、恢复必须事件驱动、成败只认验证器。说白了就是让系统的每个决策都可回放、可审计------这个品味在满屏「Agent 自主反思」的今天反而稀缺。
效果到底怎么样？
论文自建了 GranBench-Code 基准：80 个编码任务分四类（简单修复、多文件修改、重构、故障注入恢复），每个任务带确定性验证器。试点实验的数字很有说服力。
先看固定粒度的对比。12 个混合任务上：纯微执行成功率 100%，但每任务平均烧 7218 个 token、6 步；纯宏执行只要 3609 个 token、2.7 步，成功率却掉到 58.3%。也就是说，宏省一半钱，但每三次就要翻车一次。手写规则的启发式路由居中：75% 成功率。
更有意思的是故障注入实验，它揭示了一个反直觉的结论：恢复的价值取决于失败时机。
- 早期失败（宏还没干活就崩）：不开恢复机制的 Agent 成功率 0%，全军覆没；开了 FSM 降级，100% 救回，代价是 token 涨到约 11293。
- 晚期失败 （宏其实已经把该改的改完了才报错）：不开恢复的 Agent 本来就能过验证，100% 成功、只用 2440 token；而无条件降级的 Agent 明明结果已经对了，还要从微工具再做一遍，token 膨胀到 7567------白白多花三倍钱。
所以「无脑加恢复机制」和「无脑不加」都是错的。论文的完整框架 F-Learned-Full 用学习型模式路由加学习型恢复策略解决这个两难：学习路由把启发式误派宏的高风险任务改派微执行（成功率从 75% 提到 100%），恢复路由学会「该救才救」。
最终数字：早期失败下 100% 成功、token 比无条件降级省 13.6%；晚期失败下 100% 成功、token 省 51.2%、不必要的降级转移率从 100% 压到 14.3%。看这张结果分解图，完整框架的柱子里终态失败（红色）消失了：
我的读法是：这组数字最值得在意的不是「100% 成功」，而是紫色部分的位置------恢复成功只出现在早期失败的柱子里，晚期失败柱子里没有紫色。这说明框架不是「总能恢复」，而是「知道什么时候根本不用恢复」。这才是成本省下来的来源。
为什么你要关心？
这套东西离实践不远，三条可以直接搬走：
- 给你的宏技能补一份「失败契约」。不管你用的是 Claude Code 的 SKILL.md 还是自建技能系统，给每个高级技能写清四件事：什么时候适用（前置条件）、会动哪些文件（副作用）、怎么验证自己没干砸（验证步骤）、失败了从哪里接手（回退路径）。没有这份契约的宏技能，出了问题就是黑箱。
- 失败要分类，别笼统重试。论文的五分类（前置条件不匹配/部分副作用/验证失败/协议失败/执行器异常）可以直接拿来复盘你 Agent 的历史失败轨迹------你会发现不同类的正确处理方式完全不同，盲目「再试一次」恰恰是部分副作用类失败的毒药。
- 「恢复后必须过验证才算救回」值得写进你的评估。很多 Agent 框架统计成功率时只看模型是否宣称完成，把「恢复了但改错了」也算成功能。用确定性验证器（测试、类型检查、diff 审查）做最终裁决，你的数据才有意义。
往大了看，这篇论文踩在两个趋势的交点上：技能库正在成为 Agent 产品的标配（从 Claude Code 到各家 Agent 框架都在攒技能），而技能质量的良莠不齐也让「什么时候该信技能」变成真实的生产问题。技能粒度控制大概率会成为 Agent 运行时的标准组件------就像数据库的查询优化器替你决定要不要走索引一样。
理性看待
保持冷静的部分：这是一个试点研究，实验规模很小------12 个混合任务加 7 个故障注入任务，宏只有 3 个且是人工手写的，单一 LLM、单一 Python 生态。学习型路由器的「100% 成功」来自在历史执行日志上训练后再评同类任务，论文没有说明训练与评测任务的隔离程度，存在过拟合的合理怀疑。宏技能演化环（自动挖掘新技能）只有概念设计没有实证。数字当方向看，别当基准成绩看。
但方向本身是清晰的：技能库不该只是「可检索的资源」，而应该是「可控、可验证、可恢复的执行抽象」。这句话值得贴在每一个 Agent 团队的墙上。