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
该研究聚焦评估负责给技能和执行轨迹打分的 Judge 是否可信，试图明确这一环节为何会成为 Agent Skills 生命周期中的独立瓶颈，以及怎样建立可复现的解决方案。
核心方法
SkillTV-Bench 将评测对象从最终回答扩展到完整技能执行轨迹，专门检查不同 Judge 能否识别工具误用、步骤跳过、边界违反和表面成功，从而评估那些负责为技能优化提供奖励信号的裁判是否可靠。
实验结论
- SkillTV-Bench 将评测对象从最终回答扩展到完整技能执行轨迹，专门检查不同 Judge 能否识别工具误用、步骤跳过、边界违反和表面成功，从而评估那些负责为技能优化提供奖励信号的裁判是否可靠
适合谁阅读
研究技能裁判基准比较同阶段方法建立 Agent Skills 全景智能体Agent Skills
可核验的原论文来源和作者
- 作者
- Zhi Han、Chenxi Zeng、Liuhaichen Yang 等
- 来源
- arXiv
- 论文 ID
- 2608.05573