正在补充深度解读，当前内容可以先阅读
论文解决了什么问题
模型拥有或看过技能后，是否真的能在需要时主动触发、正确遵循流程并避免越过禁止操作？
核心方法
采用渐进披露，把技能使用拆成 Trigger、Compliance、Boundary，并在隔离沙箱中用轨迹规则评估完整执行链。
实验结论
- 最强 SU 分数只有 0.613
- 触发与流程遵循是独立瓶颈，模型得分和排名都明显受执行 Harness 条件影响
适合谁阅读
评估会不会用技能比较 Agent Harness设计可执行基准智能体Agent Skills
可核验的原论文来源和作者
- 作者
- Jinyi Han、Yuanjian Xu、Ying Liao 等
- 来源
- arXiv
- 论文 ID
- 2608.04828