47K Skill只筛出3K，小红书给Agent造训练场

小红书 AllSpark 团队从 ClawHub 下载了超过47K个 Skill 文件夹，按真实场景适用性、沙箱兼容性和依赖配置可行性筛了一遍，最后只留下约3K个。这个筛选比例本身就说明一件事：Skill 很多，能直接拿来当训练素材的没那么多。

他们提出的框架叫 Skill2Env，思路是从已有 Skill 出发，把 Agent 的能力需求转化成可复用的难度模式，再据此合成任务和执行环境。最终构建了2,963 个可执行任务，覆盖25 个领域，初始工作空间包含46,295 个文件，涵盖代码、文档、结构化数据、图像等资源。

一份 Skill 能告诉 Agent 怎么用工具，但离一个能训练的环境还差得远。比如一份文档处理 Skill 可以说明如何转换 PDF、提取表格或执行 OCR，可要让 Agent 完成一次供应商对账，还得准备合同、发票、收据和付款记录，明确交付物，再建立能判断结果对错的评估机制。

这些部分互相照应：合同里的规则要能在材料中找到依据，任务要求必须在工具和工作空间条件下可完成，评估器也要和实际验收标准一致。逐个手工搭这种环境，撑不起后训练需要的规模和多样性。

Skill2Env 把复杂任务执行中的能力需求归纳成五个维度：

• 环境理解：从环境信息中识别相关事实，理解任务目标与约束
• ：根据目标和约束制定多步计划，并在执行中动态调整
• 技能使用：正确理解和应用 Skill 提供的工具说明与执行流程
• 长程一致性：在长程任务中持续追踪状态与上下文
• 错误恢复：根据执行反馈定位问题、调整操作并继续执行

这些能力要落到具体任务上，靠的是一个可复用的难度模式池。比如“分散证据”把关键事实放在不同来源里，要求 Agent 综合判断；“状态依赖”让后续操作依赖前一步结果，要求 Agent 安排好执行顺序。

任务合成时，Agent 会根据 Skill 支持的工作流，挑选能自然组合进同一目标的难度模式，形成一份任务蓝图，统一说明任务目标、预期挑战、环境事实、验收标准和信息边界。

信息边界这一项挺关键：哪些内容直接写在任务说明里，哪些要到工作区查找，哪些需要由已有证据推断，都提前划清楚。解题所需的事实与证据保持可访问，参考结果及推导则留在任务构建侧。

围绕同一份蓝图，系统共同构建任务指令、运行依赖、初始工作区和基于评分细则的评估器——能程序检验的用确定性检查，其余用 LLM Judge，各项分数按权重汇总，并记录支持评分的证据。

初次合成时设计了挑战，不代表这些挑战对当前 Agent 足够难。有些任务可能被轻松完成，也有些预设难点可能被捷径绕过。Skill2Env 通过检查执行轨迹和评分结果来识别这些问题：奖励高于阈值的任务进入下一轮强化，其余保留。

诊断 Agent 对照任务蓝图，分析哪些挑战已被解决、哪些要求被绕过，然后针对性地强化已有难度模式，或引入与当前任务兼容的新模式。调整先体现在任务蓝图上，再同步更新任务指令、工作空间、执行环境和评估器。如果发现模式池尚未覆盖的通用挑战，还能把它抽象成新的难度模式。

论文里的 Docling 案例展示了完整过程。Docling Skill 用于指导 Agent 使用 Docling 工具做文档解析、格式转换、表格提取和 OCR 识别。最初的任务要求 Agent 对一家供应商的季度账单进行核对，读取10 个文件、6 种格式的材料，包括 DOCX 合同、HTML 费率附件、PDF 发票、扫描收据、XLSX 付款台账和 Markdown 说明，最终输出 CSV 明细、JSON 汇总和审计说明。

任务同时要求判断费率通知是否已经生效、核对差旅凭证、排除不属于本次项目的历史材料，并让三份交付物中的数字相互一致。原始任务设计了 3 项对账异常项，Agent 首次执行就拿了满分。

第一轮加难据此扩展工作流：把关键费率放进已签署的补充协议，加入跨月重复报销和另一个项目的干扰材料，并引入发票算术错误及部分付款。Agent 需要进一步区分原始开票金额、应纠正金额与实际已付款项。

第二次执行轨迹里，系统观察到 OCR 转换因命令参数问题多次中止，Agent 最终通过直接读取图片拿到了收据金额。第二轮修改就把必要证据放进没有文本层的扫描 PDF，要求 Agent 必须可靠完成转换与提取，同时增加与日期相关的费率、缺少凭证的申报和跨费率档位的天数上限扣减。

两轮之后，工作区文件数从 10 增至21，设计的对账异常项从 3 增至12。更关键的是，这些异常项开始相互影响：提取、范围判断、费率计算与结算核对需要连成一套完整流程，才能得到一致的交付结果。

训练数据方面，团队使用 DeepSeek-V4-Flash 在合成环境中生成执行轨迹，筛选出1.5K 条高分轨迹，对 Qwen3.6-35B-A3B 进行监督微调。Skill2Env 并未针对任何下游基准专门设计训练环境，模型却在七项基准上均取得性能提升，覆盖终端操作、代码修复、技能使用、自主任务执行、银行业务支持、跨应用工作流及交互式服务任务等场景。

换执行框架，提升依然存在。在 Terminal-Bench 2.1 上，团队更换了承载工具调用和交互流程的 Harness，在 pi、Terminus-2、OpenCode 和 Claude Code 四种框架下，微调后的模型分别提升11.2、13.5、16.9 和 12.3 个百分点，说明性能增益不依赖特定的 Agent 执行框架。

在 SkillsBench 的八个领域中，启用技能自动加载时，微调后的模型有七个领域取得提升，金融与经济领域持平。其中媒体与内容、数学与运筹学、软件工程分别提升46.7、26.9 和 23.4 个百分点。关闭技能自动加载的设置下，八个领域均取得提升。

这套框架的核心逻辑是：任务难度的提升不再依赖预先设定的复杂度，而是由 Agent 的实际执行表现驱动。随着 Agent 逐渐掌握已有挑战，系统有针对性地提高任务要求，持续生成更具挑战性的训练环境。论文也提到，未来值得探索的方向是如何准确识别模型的能力短板，并据此动态调整任务设计，让训练环境随 Agent 能力共同演进。