Summary
SKILL-KD 把 teacher 与 student 在同一道题上的轨迹差异蒸馏成文本 skill patch，采纳判据是”带上该 patch 让 student 重跑这道题，evaluator 给满分”，并用 trace-linked edit history 让 consolidation agent 决定 add / modify / delete / skip。五个 benchmark 上，Group 1 宏平均 43.5 → 66.8、Group 2 57.9 → 74.6，均高于最强 baseline SkillOpt 的 63.5 / 68.6。但所谓 distillation 只发生在 prompt 侧：student 权重全程冻结，推理期仍要把整份 benchmark 专属 skill 文件注入 context，全文没有任何 token 预算配平对照。
Problem & Motivation
现有 skill 获取方法把 skill 当作经验摘要、memory 条目或成功轨迹的总结，作者认为这对能力较弱的 student agent 是错配的：student 失败的轨迹里往往不含推断出正确行为所需的证据，而 teacher 的成功轨迹又太隐式，直接摘要成规则不足以改变 student 的策略。
作者的重新表述是把 skill 当作不同能力 agent 之间的蒸馏介质。经典知识蒸馏通过 label、logits、中间表示、rationale 或轨迹传递强模型行为，student 靠参数或策略更新吸收；在这里 student 冻结，蒸馏载体变成挂在 prompt 侧 skill library 上的外部文本产物。核心瓶颈随之从”拿到行为证据”变成”把 teacher-student 之间的行为差距翻译成 frozen student 真能照做的文本”。
第二个动机在 repository 层：skill 本应是描述”如何解一类任务”的过程性产物，但更新信号来自 episodic 证据（轨迹、反思、执行反馈）。这个错配会造成 skill drift——修当前失败的 patch 过拟合窄 case、堆冗余规则、或覆写早先 skill 编码的知识。
Method
skill 表示。skill library 是 student 与 teacher 共享的一份结构化 Markdown。每条 skill 内部记为 ：title 是短名词短语，content 是形如 “When <trigger>, do <action>” 的一句可执行指令且 trigger 必须是 type-level（prompt 模板明确禁止绑定文件名、单元格地址、房间名或具体物体名词），why 记录该次更新的理由，trace 指回源轨迹。只有 title 与 content 渲染进 student/teacher 看到的 skill 文件，why 与 trace 留在只有 consolidation agent 能访问的内部 edit history。
Contrastive Skill Distillation。对每个训练实例 ，student 先带当前 library 跑一遍；若 evaluator 则跳过。student 失败时才在同一实例上跑 teacher，由 consolidation agent 结合两条轨迹与各自的评分生成候选 patch。teacher 不必满分——作者论证即使 teacher 也失败，两条轨迹的中间决策分歧仍是可用的行为证据。
Adaptive Skill Distillation。这是采纳机制。候选 patch 应用到 library 后 student 重跑同一实例； 则 patch 入库，否则 consolidation agent 看着新的 student 轨迹提出修订版 ，每一版都是针对原始 提出并取代此前所有 patch。最多 轮（默认 ）； 轮内没有一次成功则该实例不产出任何 skill 更新。中间失败的 patch 不写进 也不写进持久 edit history，只留在实例级 refinement record 里。
Drift-Aware Skill Consolidation。consolidation agent 不是单次前向，而是带工具的多轮 agent，用的模型就是各组的 teacher（Group 1 用 Qwen3.7-plus，Group 2 用 ChatGPT-5.5）。edit history 逐条记录 ，；轨迹本身不默认进 context，而是外部存储、按需取回。两个工具：get_original_trajectories 按 edit_index 取回某条历史编辑背后的完整 student/teacher 轨迹；submit_ops 提交最多 3 个 add/update/delete 操作（空数组表示不改）。实践中 agent 会先跨多轮调 trace-link 取回相关条目的轨迹，识别跨实例模式、检测与既有 skill 的冲突，再决定合并还是新增。
推理期形态。student 权重全程冻结。训练重跑与 held-out 评测时，agent 拿到的是该 benchmark 当前 skill 文件的全文；作者明说选这个 full-skill-file 设定是因为本文聚焦获取、验证与合并而非学习式检索或 routing。每个 benchmark 单独训练与评测一份 skill library。
Key Results
主表（Table 1，held-out test split，单次运行）
| Method | SearchQA | Spreadsheet | DocVQA | LiveMath | ALFWorld | Avg |
|---|---|---|---|---|---|---|
| Group 1：student Qwen3.5-4B / teacher Qwen3.7-plus | ||||||
| No Skill | 68.1 | 9.3 | 86.9 | 22.4 | 30.6 | 43.5 |
| EvoSkill | 68.6 | 17.9 | 79.7 | 23.4 | 67.9 | 51.5 |
| Trace2Skill | 68.5 | 19.3 | 88.0 | 27.2 | 64.9 | 53.6 |
| SkillGen | 69.2 | 13.2 | 88.8 | 21.0 | 70.1 | 52.5 |
| SkillOpt | 71.2 | 23.9 | 89.0 | 52.0 | 81.3 | 63.5 |
| SKILL-KD | 79.2 | 24.3 | 89.3 | 54.8 | 86.6 | 66.8 |
| Group 2：student Qwen3.6-35B-A3B / teacher ChatGPT-5.5 | ||||||
| No Skill | 72.7 | 38.2 | 87.6 | 31.2 | 59.7 | 57.9 |
| EvoSkill | 75.6 | 32.9 | 89.8 | 32.3 | 79.1 | 61.9 |
| Trace2Skill | 75.4 | 33.2 | 90.4 | 29.6 | 70.9 | 59.9 |
| SkillGen | 75.2 | 40.0 | 90.1 | 36.3 | 63.4 | 61.0 |
| SkillOpt | 80.3 | 47.5 | 91.4 | 41.6 | 82.1 | 68.6 |
| SKILL-KD | 80.6 | 49.3 | 92.2 | 54.8 | 96.3 | 74.6 |
净增益 Group 1 为 +23.3、Group 2 为 +16.7。ALFWorld 的 test split 由 skill 构建时未见过的环境组成，SKILL-KD 在其上把 Qwen3.5-4B 从 30.6 推到 86.6（+56.0）、把 Qwen3.6-35B-A3B 从 59.7 推到 96.3（+36.6）。所有 baseline 与 SKILL-KD 共用同一冻结 student、同一 harness、同一 held-out split 与同一 scorer。
信号来源消融（Table 2，Group 1）：同时报分数与 library 规模。
| Variant | Avg. Score | Avg. Gain | Rules | Words |
|---|---|---|---|---|
| No Skill | 43.5 | +0.0 | 0 | 0 |
| Teacher-only | 58.3 | +14.8 | 80 | 5,683 |
| Pairwise（单次对比，无自适应） | 59.0 | +15.5 | 85 | 6,966 |
| Batch（4 条轨迹一次聚合） | 59.4 | +15.9 | 46 | 3,849 |
| Student-only（自反思） | 60.1 | +16.6 | 96 | 6,821 |
| SKILL-KD | 66.8 | +23.4 | 38 | 3,010 |
Teacher-only 是最弱的学习变体，说明拿到更强轨迹并不自动产出 student 对齐的指导；Student-only 分数尚可但堆到 96 条规则、6,821 词。SKILL-KD 用不到一半的规则数拿到最高分。
Drift-Aware Consolidation 消融（Table 3，Group 1）：消融臂保留 patch 工具（仍可增删改跳），只移除 edit log 与 trace-link 访问。
| Variant | SearchQA | Spreadsheet | DocVQA | LiveMath | ALFWorld |
|---|---|---|---|---|---|
| No Skill | 68.1 | 9.3 | 86.9 | 22.4 | 30.6 |
| w/o Consol. | 79.2 | 14.6 | 87.4 | 27.4 | 85.1 |
| w/ Consol. | 79.2 | 24.3 | 89.3 | 54.8 | 86.6 |
SearchQA 打平、ALFWorld 接近，差距集中在 SpreadsheetBench（+9.7）、LiveMath（+27.4）与 DocVQA（+1.9）。
teacher 不是 oracle（Table 4，Group 1）：在 student 首轮失败的训练实例上，teacher 平均只成功 46.1%。teacher 成功时 patch 采纳率 45.3%，teacher 失败时 23.2%，且平均 38.5% 的已采纳 patch 来自 teacher 失败的 rollout。
自适应轮数（Table 6）：训练集累计成功率 58.9% → 67.7% → 70.8% → 72.7%。首轮贡献最大（+8.8pp），后续递减。
设定细节：split 为 ALFWorld 39/18/134、SpreadsheetBench 80/40/280、SearchQA 400/200/1400、LiveMath 35/18/124、DocVQA 107/53/374；无官方划分的 benchmark 用 seed 42 按 2:1:7 确定性切分。SKILL-KD 只用 train 分区，validation 分区专供需要验证集的 baseline，SKILL-KD 自己不用。SpreadsheetBench 最多 12 轮 openpyxl/pandas 执行，ALFWorld 每 episode 最多 50 步，其余三个为单轮 QA/选择题。student 本地部署在 4×A100 80GB，teacher 与 consolidation 走官方 API，reasoning effort 默认 medium。每个报告分数来自 test split 上的单次完整评测运行。
Evidence Ledger
| Claim ID | Claim | Type | Source locator | Evidence excerpt | Status |
|---|---|---|---|---|---|
| C1 | Group 1 宏平均：SKILL-KD 66.8 / SkillOpt 63.5 / No Skill 43.5 | number | Table 1 Group 1 block | ”SkillOpt 71.2 23.9 89.0 52.0 81.3 63.5 SKILL-KD 79.2 24.3 89.3 54.8 86.6 66.8” | source-verified |
| C2 | Group 2 宏平均：SKILL-KD 74.6 / SkillOpt 68.6 / No Skill 57.9 | number | Table 1 Group 2 block | ”SkillOpt 80.3 47.5 91.4 41.6 82.1 68.6 SKILL-KD 80.6 49.3 92.2 54.8 96.3 74.6” | source-verified |
| C3 | ALFWorld 30.6→86.6（+56.0）与 59.7→96.3（+36.6）；test split 为未见过的环境 | number | §Generalization of Distilled Skills | ”improves Qwen3.5-4B from 30.6 to 86.6 (+56.0)”；“test split consists of unseen environments that are not used for skill construction” | source-verified |
| C4 | Table 2：SKILL-KD 66.8 / 38 rules / 3,010 words；Student-only 60.1 / 96 / 6,821；Teacher-only 58.3 / 80 / 5,683 | number | Table 2 | ”Student-only 60.1 … 96 6,821 … Teacher-only 58.3 … 80 5,683” | source-verified |
| C5 | 合并消融差值集中在 SS(14.6→24.3)、LM(27.4→54.8)、Doc(87.4→89.3)；SQA 打平 | number | Table 3 | ”w/o Consol. 79.2 14.6 87.4 27.4 85.1 / w/ Consol. 79.2 24.3 89.3 54.8 86.6” | source-verified |
| C6 | 采纳判据 = 同一训练实例重跑 evaluator 满分；n=3 上限；无成功则该实例不更新 skill | causal-mechanism | §Adaptive Skill Distillation + Appendix A | ”If no adaptive round produces a successful trajectory within n rounds, the instance produces no skill update” | source-verified |
| C7 | 推理期仍把整份 benchmark skill 文件注入 prompt，明确不做检索/routing；每 benchmark 一个库；student 冻结 | benchmark-setting | Appendix A §Benchmark protocol | ”the agent receives the entire current skill file … rather than learned skill retrieval or routing” | source-verified |
| C8 | 全文无 token/算力配平对照臂，也不报告任何方法的推理 token 或 prompt 长度成本 | benchmark-setting | 全文含附录（否定性检索） | verifier 全文检索 token/budget/cost/latency/overhead 无命中，仅相关工作标题含 “token efficiency” | source-verified |
| C9 | SKILL-KD 只用 train 分区；validation 分区专供需验证集的 baseline；无官方划分者 seed 42、2:1:7 | benchmark-setting | §Setting + Appendix A | ”the validation portion is reserved for baselines whose original protocols require validation or selection” | source-verified |
| C10 | 每个分数来自单次完整评测运行；全文无多 seed 方差、置信区间或显著性检验 | benchmark-setting | Appendix A §Implementation and compute | ”Each reported score was computed from a single complete evaluation run on the fixed test split” | source-verified |
| C11 | split 规模 ALF 39/18/134、SS 80/40/280、SQA 400/200/1400、LM 35/18/124、Doc 107/53/374 | number | Table 5 | ”ALFWorld 39 18 134 … SearchQA 400 200 1400 … LiveMath 35 18 124” | source-verified |
| C12 | teacher 在 student 失败题上仅成功 46.1%；采纳率 45.3%(T成功) vs 23.2%(T失败)；38.5% 已采纳 patch 源自 T 失败 | number | Table 4 | ”Teacher success … 46.1 / Accept T success … 45.3 / Accept T failure … 23.2 / Accepted from T failures … 38.5” | source-verified |
| C13 | 训练集累计成功率 58.9 → 67.7 → 70.8 → 72.7（n=0..3） | number | Table 6 | ”n=0 … 58.9 / n=1 … 67.7 / n=2 … 70.8 / n=3 … 72.7” | source-verified |
| C14 | consolidation agent 用各组 teacher 模型，是带 trace-link 与 patch 两个工具的多轮 agent，操作集 add/modify/delete/skip | benchmark-setting | §Setting + §Drift-Aware Skill Consolidation | ”a patch tool that commits an operation op∈{add,modify,delete,skip}“ | source-verified |
| C15 | 论文未给出任何公开代码或数据链接 | license-code | 全文含脚注与附录（否定性检索） | verifier 全文检索 GitHub/HuggingFace/available at 无命中 | source-verified |
| C16 | 论文未测量已采纳 patch 是否在其他此前成功的实例上造成回归；无 held-out probe、无回归率 | causal-mechanism | 全文（否定性检索） | 检索 regression/forgetting/probe 无命中；“held-out” 仅指 test split 或 baseline SkillOpt 的验证协议 | source-verified |
| C17 | 所有 baseline 与 SKILL-KD 共用冻结 student、harness、held-out split 与 scorer | benchmark-setting | §Baselines | ”All baselines use the same frozen student, harness, held-out split, and scorer” | source-verified |
| C18 | Appendix C 的 LiveMath Rule 002 是选择题元选项启发式 | quote | Appendix C, LiveMath Rule 002 | ”When a multiple-choice question asks for the ‘strongest statement’ … select the meta-option” | source-verified |
| C19 | 作者上标 1–4 对应的机构名在 HTML 与 PDF 中均无法解析 | metadata | 标题页 | verifier 检索 affiliation/university/institute 全文无命中；\corresponding 宏在 HTML 中渲染失败 | source-verified |
| C20 | SS 最多 12 轮 openpyxl/pandas 执行、ALF 每 episode 最多 50 步、其余单轮无工具调用上限；4×A100 80GB | benchmark-setting | Appendix A | ”SpreadsheetBench uses multi-round spreadsheet-code execution … at most 12 turns. ALFWorld allows at most 50 environment steps” | source-verified |
Strengths & Weaknesses
采纳判据是可执行的 evaluator，不是 LLM 自评。这是本文相对多数 skill 生成工作的实质区别：一条 patch 要进库，必须让 student 在真实 harness 里重跑一遍并通过 benchmark 原生 scorer（C6）。按 Harness-Component-Attribution 的独立性剂量阶梯，这属于”确定性 / 执行式判据”一栏，而不是同 backbone 换 context 的低剂量自审。Table 4 也没有掩饰 teacher 只在 46.1% 的 student 失败题上成功。
把 library 规模作为一等指标。Table 2 每一行都同时报分数、规则数与词数，让”分数换膨胀”这件事可见：Student-only 拿 60.1 要花 96 条规则，SKILL-KD 拿 66.8 只用 38 条。这个报告习惯值得推广。
“蒸馏”这个词与实际机制不符。经典 KD 把 teacher 行为搬进 student 参数，推理期不再需要 teacher 侧产物；SKILL-KD 的载体是 prompt 文本，推理期要把整份 benchmark skill 文件注入 context，且明确放弃检索与 routing，每个 benchmark 还各训一份库（C7）。这更接近”为每个 benchmark 生成一份经过执行验证的 cheat sheet”，而不是能力迁移。与 2606-LatentSkill 把 textual skill 编译成 LoRA（推理期零 skill token）相比，两者方向相反。
没有 token 预算配平对照（C8）。No Skill 臂每次推理零额外 token，SKILL-KD 臂每次推理多吃一份 3,010 词的 skill 文件（Group 1），二者之间的差值同时包含”内容有用”与”上下文更长”两个来源，论文既不做配平臂也不报推理 token。这正是 2606-SkillMemoryBudget 已给出否定结论的那个对照：三模型 × 三 WebArena 域上，把模块开销折成 actor 的额外步数后，vanilla 全面追平或反超。SKILL-KD 的设定与之不完全同构（它的 skill 是离线摊销的，不在每任务在线归纳），但”注入内容后不报 context 成本”这一点是同一个缺口。
采纳判据是 in-sample 的，且没有回归检查。patch 只在生成它的那一道训练题上被验证（C6），既没有留出探针，也没有回过头去测它是否弄坏了此前已成功的实例（C16）。这与论文自己主张要解决的 drift 问题直接冲突——drift 的证据全部来自 case study（DocVQA 的单位保留规则被逐案改写、SpreadsheetBench 的 50 条规则 2,930 词含 P6:Q6 这类坐标级修补、tiered-bonus 规则被后续 patch 覆写），没有任何量化的回归指标。作为对照，2605-GRASP 的闸门用留出平衡探针加硬回归预算（净修好 > 新弄坏，且绝对弄坏数不增加），2606-SkillNb 直接报回归率（去 gate 后 3.3% → 18.6%），而本文的 baseline 2605-SkillOpt 本身就是”仅在 held-out validation 严格提升时接受编辑”。SKILL-KD 把 validation 分区划给 baseline 而自己不用（C9），等于主动放弃了这条最便宜的对照。
Table 3 的消融混淆了两个变量。w/o Consol. 臂同时移除 edit log 与 trace-link 访问，无法区分”看到历史编辑的 rationale”与”取回原始轨迹”哪一个在起作用。LiveMath 上 27.4 → 54.8 这么大的差距值得拆开。
增益来源部分是 benchmark 标注惯例的拟合。Appendix C 列出了 Group 1 的全部最终规则：SearchQA 的 15 条几乎都是答案格式约定（保留人名 middle initial、原名优先于译名、复数形式跟随上下文、Jeopardy “CATEGORY - Clue” 格式解析），LiveMath Rule 002 直接是”题目若提供声称存在更强结论的元选项就选它”（C18）。这些不是过程性知识，是对该数据集出题与判分习惯的编码。论文说跨五类任务的普遍增益”suggests reusable procedural guidance rather than benchmark-specific prompt tuning”，但每个 benchmark 单独训一份库这个设定本身就削弱了该论断——没有任何跨 benchmark 迁移实验。
ALFWorld 的 +56.0 需要放回上下文。所有 skill baseline 都把 30.6 抬到 63.4–70.1，说明大头是”给了 ALFWorld 的四类任务动作模板”这一格式性修复，而非 SKILL-KD 特有。其 train split 只有 39 题，最终产出 4 条规则。
统计强度弱。单次运行、无方差、无显著性（C10），而 LiveMath test 只有 124 题、ALFWorld 134 题。Table 4 的部分格子分母极小到不可解读：LiveMath 的 “Accept | T success” 是 0.0% 而 “Accepted from T failures” 是 100.0%，ALFWorld 恰好相反（57.1% / 0.0%）——用这两行支撑”teacher 失败也能产出有用 patch”是过度解读。另有一处巧合值得作者确认：LiveMath 上 Group 1 与 Group 2 的 SKILL-KD 得分都是 54.8（124 题中的 68 题），两条完全不同的 student/teacher 管线落在同一个整数上。
Mind Map
mindmap root((SKILL-KD)) Problem student 失败轨迹缺少推断正确行为的证据 teacher 成功轨迹太隐式 直接摘要改不动策略 episodic 更新信号导致 skill drift Method skill 作为冻结 student 的蒸馏介质 同题 teacher-student 轨迹对比生成 patch Adaptive 采纳 重跑 student 满分才入库 最多 3 轮 Drift-Aware Consolidation 多轮 agent 带 trace-link 与 patch 工具 推理期注入整份 benchmark skill 文件 无检索无 routing Results Group1 43.5 到 66.8 Group2 57.9 到 74.6 ALFWorld 未见环境 30.6 到 86.6 38 条规则 3010 词 优于 Student-only 的 96 条 teacher 仅在 46.1% 的 student 失败题上成功 Gaps 无 token 预算配平对照 采纳判据 in-sample 无回归检查 单次运行 无方差与显著性
Notes
与 vault 既有否定性证据的三点对账。
(a) 蒸馏之后推理期还需不需要 skill library？ 需要，而且是全量注入。student 权重全程冻结，held-out 评测时 agent 拿到的是该 benchmark skill 文件的全文，论文明确说不做学习式检索或 routing，且每个 benchmark 各训一份库（C7）。这条把它与两个方向都区分开：2606-LatentSkill 把 textual skill 通过 hypernetwork 编译成 LoRA，目标恰恰是消除推理期 skill token；2607-SESA 的 dual-path 分解有 SESA-Off 这条关掉 bank 的臂，用来证明多数增益已沉淀进策略参数（比 SSP 高 1.8–2.2 分）。SKILL-KD 没有也不可能有等价的臂——关掉 skill 文件它就退化成 No Skill。因此”skill 全部进了权重”在这里为否，全部增益都寄存在推理期 context 里。
(b) 有没有 token-matched / 预算配平对照臂？ 没有（C8）。论文报了 library 的词数（Group 1 为 3,010 词），但那是资产规模统计，不是把同等预算还给 vanilla 臂的对照。2606-SkillMemoryBudget 的核心结论正是配平后增益被追平：Vanilla-IB 用同等 token 换 15 步交互上限，在三模型 × 三 WebArena 域上聚合成功率全面追平或反超 AWM/ASI/ReasoningBank，且多数配置 token 更省。2608-ContinualSkillBench 从另一侧给出同族信号：pure-ICL 0.605 对 Sequential 0.602，显式 skill 维护相对”只保留上下文与反馈”的净贡献在总量上不可分辨。SKILL-KD 的设定并非与二者同构——它的 skill 是离线摊销的，不在每个任务上付在线归纳成本，所以 SkillMemoryBudget 的结论不能直接搬过来。但最便宜的对照仍然缺席：给 No Skill 臂注入等长的通用/无关文本，或者干脆报出每方法的推理 token 与 prompt 长度。在补上之前，Group 1 的 +23.3 里有多少来自内容、多少来自 context 变长，无法分离。
(c) skill 采纳有没有 held-out 验收判据？ 判据是执行式的但不是 held-out 的。patch 采纳等价于”带上它让 student 重跑生成它的那一道训练题并通过 evaluator”（C6）——好消息是判官是 benchmark 原生 scorer 而非 LLM 自评，按 Harness-Component-Attribution §3.2 的剂量阶梯属高剂量；坏消息是这个门只在单个 in-sample 实例上开合，没有留出探针，也从不检查已采纳 patch 是否弄坏此前成功的实例（C16）。对照组很清楚：2605-GRASP 用 36 条平衡留出探针加”绝对弄坏数不增加”的硬回归预算，2606-SkillNb 报出去 gate 后回归率 3.3% → 18.6%，本文自己的 baseline 2605-SkillOpt 要求 held-out validation 严格提升才接受编辑。SKILL-KD 把 validation 分区明确留给需要它的 baseline 而自己不用（C9），所以 Table 3 里 consolidation 带来的那些提升到底是”避免了回归”还是”多写对了规则”，无法从现有数据判断——drift 的三种形态只有 case study，没有一个数字。
对 Harness-Component-Attribution 的增量。 该 Topic 的收敛结论是”组件收益与基线轨迹质量负相关”。本文在 benchmark 层面同形：DocVQA 基线已 86.9/87.6，增益只 +2.4/+4.6；ALFWorld 基线最低（30.6/59.7），增益最大（+56.0/+36.6）。但在 group 层面部分不成立——Group 2 的 No Skill 基线明显更强（57.9 对 43.5），净增益 +16.7 虽小于 Group 1 的 +23.3，量级并未坍缩，且 Group 2 在 SpreadsheetBench 上仍拿到 +11.1。可以据此把该 Topic 的表格补一行：本文的被隔离组件是 edit-history 与 trace-link 访问（Table 3），对照口径为同 student、同 harness、同 held-out split，净效应宏平均 +8.1（SQA 0 / SS +9.7 / Doc +1.9 / LM +27.4 / ALF +1.5，差异几乎全部集中在 SpreadsheetBench 与 LiveMath），证据强度中——消融同时移除了两个变量，且单次运行无方差。
可做的最小实验（按代价排序）：(1) 报出每个方法在 test split 上的平均 prompt token 与总推理 token，这是从现有 log 里直接可提取的；(2) 加一条 length-matched 的 No Skill 臂（注入等词数的通用 agent 指导或打乱后的 skill 文件），用来分离内容与长度；(3) 每采纳一条 patch 就在此前已成功的训练实例上重测，报回归率——这是把 GRASP 的硬回归预算搬过来的最小版本；(4) 拆开 Table 3 的消融，让”有 edit log 无 trace-link”单独成一臂。
一个反直觉数据点值得记住：Table 4 显示 38.5% 的已采纳 patch 来自 teacher 也失败的 rollout。如果这个数字在更大样本上稳住，它对”必须有更强 teacher”这个前提是个削弱信号——真正在起作用的可能是”同题两条轨迹的分歧位置”这个定位信息本身，而不是 teacher 的正确性。当前证据不足以支撑该推断（Table 4 的多个格子分母只有个位数），列为待检验假说。