Agent 主题深度综述：能力外化、技能治理与工具协同（2026-10-27 批次）

作者：spark ⚡

本综述的材料边界（请先读）

本篇严格限定于清单 a7d6254f-9c7d-4862-9b58-cf778b1bee03（W5 主题 agent）给出的 8 篇工作，未扫描全库、未读整份日报、未另搜论文凑数。

新工作 vs 旧背景：清单标注 new_papers = 8，且 8 篇条目的 is_new 全部为 true——本批次没有旧背景论文条目。因此本文不提供"新工作 vs 旧背景"的纵向对比，只做同批内部的横向综合。下文凡提到"旧背景"，指的是清单材料内部（前序论文卡、解读稿）自陈的前序工作，不是清单外的新论文。

证据边界必须先说清楚：这 8 篇在知识库中的形态是 paper card（TLDR 摘要级）+ 已有解读稿（organized/promo/explainers/）。本次未通读任何一篇论文全文、实验表格或附录；卡内 代码： 字段均为空。作者使用了配额允许的两次事实核查，访问 2610.09127 与 2610.11169 的 arXiv 页面，返回的仅是 arXiv 站点框架（标题、分类、Comments、DOI 占位），未取回摘要正文或任何结果数据。两次核查的净收获是：

2610.09127（CADFather）：分类为 cs.AI / cs.LG，Comments 字段确认为 "17 pages, 7 figures, 6 tables"，Comments 中没有 GitHub 或项目页链接——即"开源状态待核"这一存疑项在本批次仍然待核。
2610.11169（Skill Constellations）：分类为 cs.SE / cs.CR / cs.SI，Comments 字段确认 Project Website 为 https://fahdseddik.github.io/Skill-Constellations/，未见代码仓库链接。

因此下文所有方法、数值、结论陈述均转述自论文卡 TLDR 与解读稿所引的 abstract / arXiv HTML v1 摘录，而非通读全文所得；凡涉及具体实验设置、基线对照、消融细节，一律不作断言，也不做跨论文的性能横向比较（那需要原文表格支撑）。凡本综述自身的判断均标注为"综述推断"，以与论文自述严格区分。

一、方向脉络：一条"把能力搬出基座模型"的主线

把 8 篇按"agent 的能力从哪里来"这个问题排开，本批次呈现出一条相当一致的主线：改进的着力点不是更大的基座权重，而是基座之外的三个位置——可复用的程序性资产（skill / memory）、对资产的治理机制（生命周期、供应链审计）、以及把 LLM 放在调度位而非执行位的系统结构。

按层次归位：

1.1 程序性资产层：把"会做什么"外化成可存储的资产（3 篇）

2610.10164 UniSkill：技能库（skillbank）由 actor 与提案分支共享同一个 LLM 共同维护，编辑动作为 Add / Update / No Edit 三选一；核心创新是不开新 rollout 的对比式动作反馈——用同任务上已有成功/失败轨迹的动作 log-likelihood gap 变化来给候选技能打分。
2610.10091 ExperienceIndex：记忆锚点从"用户"或"抽象推理模式"换成 artifact（文档、表格、代码文件、对话记录），把经验分成 single-artifact（这个资料有什么用）与 artifact-pair（这个资料和谁一起才完整）两种粒度，作为 middleware 接在检索层与模型上下文之间。
2610.09684 PersonTTS：把 test-time scaling 的搜索产物从"调几个参数"升级为可执行 controller 程序（Spawn / Continue / Refine / Prune / Finish），并把验收目标从 accuracy–cost Pareto 前沿改为三项 hard constraint 的联合满足率（JSR）：accuracy、latency、cost 必须同时达标。

1.2 治理层：资产会腐坏，所以需要生命周期与供应链（2 篇）

2610.09832 SkillForge：明确提出 delayed obsolescence（延迟性失效）——一条 skill 曾在 fitness 上"毕业"，随着 policy 变强反而变成过时约束。据此把 skill 治理成 trial → active → stable → retired 四态生命周期，并配 LLM-guided mutation 让临界条目"重生"。
2610.11169 Skill Constellations：把治理对象从"单个 agent 的技能库"放大到整个 GitHub 生态的 skill 供应链——从每个 SKILL.md 的 git 历史重建带时间戳的拷贝网络，回答"谁抄了谁、修复能传到哪"。

这两篇是本批次中唯一一对把"记忆治理"当作一等问题来做的论文，且视角互补：一个管生命周期（纵向时间轴），一个管传播链路（横向网络）。

1.3 调度与工具协同层：LLM 当调度器，不当执行器（3 篇）

2610.09127 CADFather：VLM 看目标 mesh 渲染图 + 中间重建渲染图，决定扩展哪些候选程序、调用哪些互补提案工具、每工具生成多少提案、何时收尾；执行侧交给 learned / algorithmic 提案工具与数值优化器。零额外训练。
2610.09116 SPLATIFY：多 Agent 框架，把 3DGS 论文转成可训练 gsplat 代码；核心是上下文无关文法（CFG）在架构层面约束生成，使代码天然满足 gsplat 的 architectural invariants，再叠加 Graph-of-Thought 拓扑合成、RAG 示例选择与视觉反馈环。
2610.11215 GATOR：生成 + Agent 两段式，先用局部模态混合器与文本语义条件生成带纹理物体资产，再用多模态 Agent 做 edit–render–review 闭环精修，产出 mesh + texture + 场景相对位姿三件套。

一条值得注意的综述推断

8 篇里有 5 篇（UniSkill、ExperienceIndex、SkillForge、PersonTTS、GATOR）都在把改进放到"基座之外"——冻结或至少不重训权重，改动落在技能、记忆、控制器程序、资产精修上。这与 1.3 节的三篇（CADFather、SPLATIFY、GATOR）进一步汇合：当"执行"被交给确定性工具时，LLM 的角色就收敛为调度与判断，而调度逻辑本身成了可被优化、可被治理的新资产。 SkillForge 治理 skill、PersonTTS 治理 controller program、ExperienceIndex 治理 artifact 记忆、SPLATIFY 用 CFG 约束生成——这四篇其实在治理同一类东西：可复用的程序性制品。

二、方法差异：四个截然不同的"改进杠杆"

2.1 杠杆一：把过程标准化 —— AgentTune 式事件日志 vs CADFather 式渲染反馈

两篇都以"给 agent 一个统一的观察界面"为起点，但界面选择不同：

CADFather（2610.09127）选择渲染图。VLM 同时看"目标长什么样"和"我现在建到哪一步"，把调度决策建立在几何外观而非符号状态上。配套三件套：多候选程序池（每零件维护多条分支，防止单链坍缩）、最佳结果保留（某分支被否决不丢已生成的最优版）、显式终止判断。
UniSkill（2610.10164）选择动作 log-likelihood。它不看渲染、不看文本相似度，而是问："如果把检索到的旧技能换成这条候选技能，actor 在成功轨迹上的动作会变得更被支持、在失败轨迹上更不被支持吗？"

方法差异的本质：CADFather 的反馈是环境给的（几何渲染差异），UniSkill 的反馈是模型自己给的（离线前向打分）。前者可信但昂贵，后者便宜但依赖"同任务上既有成功轨迹也有失败轨迹"这一前提。

证据边界：CADFather 的 abstract 完全没有给出 Chamfer Distance / IoU / 可执行率任何数字，也未列出与 DeepCAD / HSMNet / HNC-CAD / Point2Cyl 等的逐项对比；解读稿明确标注"需 PDF 表格查证"。UniSkill 则给出了可 verbatim 引用的 ALFWorld 98.4% 与 WebShop 84.7%。综述推断：两者的证据强度不在一个量级，但 CADFather 的贡献面（6 个基准全量测试 + 跨基准 + 成本-质量 trade-off 分析）说明它把评测完整性而非单点数字当重点。

2.2 杠杆二：把信用分配做对 —— UniSkill 的对比式反馈

UniSkill 针对的是一个很具体的批评：已有工作普遍用"候选技能在后续训练步里被复用了多少次"来给技能打分。作者指出这有信号混淆——技能被复用可能只是因为 actor 自己变好了（"被动复用"），而不是这条技能本身有价值；而且直接为每条候选技能另开一次 actor rollout，代价随候选数线性增长。

UniSkill 的解法是把"评测一条技能"从 O(候选数 × rollout) 降到 O(候选数 × 前向)：用同任务的 τ+ / τ- 轨迹对，比较"替换技能后成功—失败 log-likelihood gap"相对"原检索技能"的变化量。这等于在固定 actor 状态下做反事实评测，把技能价值与 actor 进步解耦。

两个补充设计值得记： - skill-edit support regularization：防止提案分支坍缩成永远选 No Edit 的机器（保留 Add/Update 的动作概率下界）。 - 共享 LLM + 解耦梯度：actor 走环境奖励，提案分支走对比式反馈，参数共享但梯度方向分离。

证据边界：解读稿标注了三条限制——①对比反馈依赖成功/失败轨迹对，abstract 未说明所有基准都能保证配对；②共享策略的双目标耦合未做"完全独立 vs 共享"的消融；③小 backbone 的具体成功率数字 abstract 未给。综述推断：这三条中，第①条是方法的前置条件而非可调参数，如果某类任务长期只有成功轨迹（已经解决得很干净的任务恰好如此），对比反馈反而无从计算——这是一个在简单任务上退化、在困难任务上才有信号的机制。

2.3 杠杆三：把资产管起来 —— SkillForge 的生命周期 vs ExperienceIndex 的 artifact 记忆

SkillForge（2610.09832） 的核心概念是 delayed obsolescence：skill 不是越多越好，policy 学会之后旧 skill 会从"先验辅助"变成"过时约束"，还会挤占 context、让 top-k 检索更噪、把动作引向不存在的 UI。解法是 fitness 驱动的四态生命周期：

f_i = C_i / U_i   (成功次数 / 使用次数)
δ_retire < δ_demote < δ_stable
trial → active → stable → retired，borderline 条目经 LLM mutation 后从 trial 重新竞争

其中几个设计是"治理语义"而非阈值堆砌：pre-retirement（用 base model 先筛掉低 fitness 伪技能）不仅缩小库，还避免 Agent 模仿"由有害 skill 辅助才偶然成功"的轨迹——SFT 数据集只收"检索到的技能与退役集不相交"的成功轨迹。mutation 后的子技能不自动进 active，必须从 trial 与中性 prior 重新竞争，价值由环境 reward 决定而非 LLM 自称。

ExperienceIndex（2610.10091） 走的是另一条路：不治理"能力"，治理"对资料的熟悉感"。它的 memory anchor 是 artifact 而非用户或抽象推理模式，两种经验表示分工明确——single-artifact 回答"这个资料有什么用"，artifact-pair 回答"这个资料与谁一起才完整"。检索三步：embedding 取候选 → LLM relevance assessment → neighborhood expansion。中间那步 LLM 判断不是装饰，它是为了避免"语义相似但任务无关"的资料挤占 context，同时避免相关性判断把证据集压得过窄。

方法差异：SkillForge 的 credit 来自交互任务最终成功（行为效用），ExperienceIndex 的经验来自推理轨迹中的资料贡献（认知效用）。前者天然有 RL 的训练闭环，但 credit 稀疏且有延迟；后者从每次 trace 增量产生、冷启动成本低，但没有环境 reward 兜底——解读稿指出"记忆质量受 solver trace 质量影响"，若 Agent 本身漏查关键 artifact，经验会持续漏掉。

一个可以直接对照的数字锚点：SkillForge 报告"去掉 retirement 后三环境库膨胀到 132/121/111 条，但成绩反而更低"——它的消融显示移除整个 forging 分别掉 2.6/5.8/2.4 个百分点，去 pre-retirement 掉 1.7/3.5/1.2，去 retirement 掉 1.0/2.5/0.8，去 mutation 掉 0.6/1.6/0.5。解读稿的归纳是"质量控制组合比库规模更重要"。这是本批次中少见的直接反直觉证据。

2.4 杠杆四：把执行交给工具，把判断留给 LLM

CADFather、SPLATIFY、GATOR 是同一架构哲学的三种实现：

维度	CADFather (2610.09127)	SPLATIFY (2610.09116)	GATOR (2610.11215)
LLM 的位置	VLM 调度器	多 Agent 合成	多模态 Agent 精修
约束方式	工具池互补性	CFG 架构级约束	instance-specific 几何+位姿限定搜索空间
反馈信号	渲染图 + 几何指标	PSNR + VLM 补丁	render vs. observation 残差
输出	参数化 CAD 程序	可训练 gsplat 代码	mesh + texture + 场景相对位姿
训练成本	零额外训练	依赖 20+ 已验证实现语料库	生成阶段 + Agent 闭环两段

方法差异的关键点：SPLATIFY 的 CFG 是三者中唯一"从架构层面预防错误"的设计——不是"生成→验证→修复"迭代，而是让生成的代码在构建时即满足 gsplat 的 architectural invariants。这在工程上省掉了整个修复循环，代价是必须先人工定义好这套文法。CADFather 走的是相反的路（完全零训练，靠 VLM 零样本调度），GATOR 走中间路线（生成+精修两段）。

证据边界：SPLATIFY 的 "PSNR 提升最高 +2.4 dB" 来自 abstract，未注明对比基线方法名与测试集；"分钟级"开发时间无具体分钟数；"匹配专家级人工实现"无数据表；VLM 补丁用的具体模型型号未披露。GATOR 的 abstract 全程无任何定量数字——没有 Chamfer / PSNR / 位姿误差，稀疏视角 N 的取值、indoor 用的是 ScanNet 还是自采数据也都未明确。

三、证据边界：本批次的数字能引到什么程度

这一节把 8 篇的数字按"可直接引用"程度分级，方便后续使用时判断风险。

3.1 可 verbatim 引用（abstract 明文给出）

2610.11169：2,193,119 次 skill 采用（git 历史重建的拷贝网络规模）。
2610.11169：前 100 名仓库按模型排序可拦下 14.9% 后续高危 skill 采用，按 star 排序只能拦 0.5%（约 30 倍差距）。
2610.10164：ALFWorld 98.4%、WebShop 84.7% 成功率。
2610.10091：answer quality 最多提升 11.0 个百分点，online dollar cost 最多降低 50.5%。
2610.09832：ALFWorld 92.4±0.5%（SkillRL 89.9%）、WebShop 78.4±0.4%（SkillRL 72.7%，相对提升 7.8%）、Search-Aug QA 48.7±0.3% micro-average（SkillRL 46.8%）。
2610.09684：AIME target profiles JSR 96.57%/83.85%（discovery/held-out），HMMT 90.86%/77.28%；最强外部基线 AutoTTS 为 AIME 35.58%/35.47%、HMMT 2.96%/0.01%；Guide-only 相对完全不复用约减少 46% agent-call time、36% cost。
2610.09116：组合改进提升 PSNR 最高 +2.4 dB（⚠️ 无基线名与数据集）；SPLATIFY-Bench 覆盖 30 篇 3DGS 论文。
2610.09127：评测覆盖 DeepCAD / Fusion360 / MCB 全量测试集 + CADENA-Bench / CADBench / BenchCAD；篇幅 17 页 / 7 图 / 6 表。

3.2 需要标注"最大值"而非"平均值"

2610.10091 的 11.0 个百分点与 50.5% 明确是最大增益（"最多"），公开摘要未列每个 corpus、每个模型、每个 search framework 的逐项数字，也未说明质量指标是 accuracy / EM / F1 还是组合分数。解读稿特别提醒"不能把 11.0 与 50.5 解释成所有实验均达到的统一提升"。同理，2610.09684 的 46%/36% 效率数字是实验环境数字，且 AIME 上"去 warm-start"仅高 0.12 discovery 点——降本效果并非每个 profile 都稳定。

3.3 不能引、必须回 PDF

2610.09127（CADFather）：没有任何量化指标——成功率、Chamfer、IoU、可执行率、与各 SOTA 的对比分全部为"原文未明确"。多候选池的存储/计算开销倍数也未给。开源状态在本次核查后仍为"待核"（arXiv Comments 无 GitHub 链接）。
2610.11215（GATOR）：abstract 全程无定量数字；pointmap 前馈估计器具体型号未明确（解读稿举例 DUSt3R-Vit/LONG 属举例）；edit–render–review 的终止条件未披露；顶会 anchor 未在 abstract 中声明。
2610.11169（Skill Constellations）：14.9% 的分母存疑——abstract 只写"前 100 名仓库可拦下 14.9% 的后续高危 skill adoptions"，未说明"高危"如何定义，也未说这是全量 2.19M 的 14.9%（约 327K 次）还是高危子集内的 14.9%。两种解读相差一到两个数量级，是本批次识别出的最高优先级待核项。此外独立仓库总数、内容哈希相似度阈值、模型 PR-AUC 均未公开。
2610.09832（SkillForge）：N_warm、δ_pre、δ_retire、δ_demote、δ_stable 的具体数值未披露；GitHub Zyq97/SkillForge 返回 404；SkillFurnace 数据集（5,852 条记录）下载链接未找到；"Accepted at NeurIPS 2026" 为作者自述，官方 acceptance list 尚未发布。
2610.10164（UniSkill）：小 backbone 的具体数字未给；作者署名 Cheng Liu 来自 arXiv Submission history 字段，未与 PDF author block 交叉核实；GitHub 仓库实名为 LimOkii/UniSKill（大写 SK，与标题 UniSkill 大小写不一致）。
2610.09116（SPLATIFY）：复现精度的具体 PSNR/SSIM 数值缺失；"20+ 已验证实现"语料库的来源与覆盖范围未披露；GitHub 仓库未给出。

3.4 一条贯穿全批次的证据缺口

8 篇里没有任何一篇的实验表格被本次读取。所有数字都停在 abstract / arXiv HTML v1 层级。这意味着：本综述无法、也不应做跨论文的性能横向比较——UniSkill 的 ALFWorld 98.4%、SkillForge 的 ALFWorld 92.4±0.5% 看着像可比，实际上两者的 skill 机制、训练预算、评测协议是否一致，abstract 层面无法确认。综述推断：这类比较必须等三方都披露实验配置后才有意义，目前引用时最安全的做法是只引用"某篇在某基准上报告了某数"，不写"优于/低于某篇"。

四、未解问题（按"影响范围 × 可验证性"排序）

排序依据：影响范围 = 问题若成立会波及多少结论；可验证性 = 读原文能否较快定论。

P0 — 影响范围大且可通过读 PDF 快速定论

Skill Constellations 的 14.9% 分母到底是什么？ 是全量 2.19M adoptions 的 14.9%（≈327K 次），还是"高危 skill"子集内的 14.9%？两种解读差一到两个数量级，直接决定"修源头能拦下多少"这个核心卖点的量级。同时需确认"高危"的判定依据（人工标注？自动化规则？）。
CADFather 到底开不开源？ 本次 arXiv 核查确认 Comments 无 GitHub 链接。开源状态决定它是可落地的工程模板，还是只能当思路参考。
GATOR 的定量基线。 全部量化结论缺失，读者无法判断"strong geometric and appearance fidelity"是相对谁而言。
SPLATIFY 的 +2.4 dB 对比对象是谁？ 未注明基线方法名与测试集，就无法判断是"在原论文方法上叠加改进"还是"相对某个较弱基线"。

P1 — 影响范围大但需更多工程判断

UniSkill 的成功/失败轨迹对覆盖率。 该机制在只有成功轨迹的任务上无从计算——需要确认论文是否报告了各基准上的配对可得率，以及是否有 fallback 机制。这是方法能否在真实业务（大量任务已被解决）落地的决定性条件。
SkillForge 的 fitness 信用分配。 f_i = C_i / U_i 是 episode-level binary reward 被所有检索到的 skill 共享，无法区分同轨迹中哪条 skill 真正贡献成功。论文报告最高 co-retrieval frequency 仍低于 15%，但结构性共同检索场景（常一起出现的技能束）会放慢收敛，且会系统性地让低质 skill 搭便车留在 active 库。
PersonTTS 的 experience bank 规模效应。 论文自己展示了非单调：Bank 20→100 时 HMMT held-out JSR 从 86.09% 降到 77.28%。这是"覆盖量 ≠ transfer reliability"的直接证据，但缺少置信区间，无法判断在别的 benchmark 上是规律还是噪声。

P2 — 影响范围局部，但会阻碍落地

GATOR 的 pointmap 前馈估计器版本是隐藏依赖——换模型版本可能显著改变 mesh 质量。
SPLATIFY 的 VLM 补丁生成型号与多 Agent 调用成本未披露，无法估算工程预算。
CADFather 的"何时收尾"依赖 VLM 主观判断，无显式几何阈值强制终止，存在误收尾风险。
SkillForge 的阈值全部未给数值（N_warm、δ_*），使得复现者必须自行调参，实际很难对齐论文结论。
PersonTTS 的 warm-start 相似度度量未说明，且按三维欧氏距离找相似 source profile，在 model family / toolset 不兼容时可能负迁移。

一条综述推断型的未解问题

这 8 篇里没有一篇报告"agent 整体成本"。 SkillForge 报告的是成功率增益，PersonTTS 报告的是推理侧的美元与时间，GATOR/CADFather/SPLATIFY 报告的是几何或质量指标，ExperienceIndex 报告的是 online dollar cost 降幅，Skill Constellations 不涉及成本。没有一个统一的"每单位成功率提升的成本"视角，导致这批工作之间根本无法比较投入产出。这可能是本主题当前最缺的一块拼图。

五、研究建议（与 §4 观察的显式映射）

建议按 §4 的优先级排序，每条标注它回应的是哪个 P 级问题与哪条具体观察。

5.1 立刻可做（回应 P0-1 至 P0-4）

回 PDF 补齐四篇的定量基线与分母定义（P0-1/2/3/4）：优先处理 Skill Constellations 的 14.9% 分母与"高危"定义，因为它同时决定了这篇的核心结论量级与所有下游引用。这一步是纯阅读成本最低、影响面最大的一步。
建立一张"agent 工作的成本-收益对照表"（回应 §4-13）：把每篇的指标类型（成功率 / JSR / Chamfer / PSNR / 扩散覆盖率）、报告口径（最大值 vs 平均值）、成本口径（训练 / 推理 / 美元）拆成独立字段，任何缺项一律标 未明确。这张表的价值不在排名，而在于阻止未来把不同口径的数字并列比较——这是本批次最容易被误用的地方。
为"未给基线"的论文建立引用规约（回应 P0-3/4）：凡 abstract 未给对比基线的数字（如 GATOR 全部指标、SPLATIFY 的 +2.4 dB），在内部知识库条目中统一加前缀"⚠️ 无基线，仅可在同方法内比较"，禁止进入任何跨论文对比句式。

5.2 短周期实验（回应 P1-5 至 P1-7）

在自有任务上做一次"技能信用分配"实测（回应 P1-6、P1-5）：用 leave-one-skill-out 回放或 Shapley 归因替代 C_i / U_i，测量 SkillForge 式 fitness 与归因式 fitness 的排序差异。同时统计每个任务的成功/失败轨迹对可得率，直接回答 UniSkill 式对比反馈在自己业务里能不能用——这是把两篇论文的局限合并成一个可测实验的最省事做法。
做一次 experience bank 的规模敏感度扫描（回应 P1-7）：在 20/60/100/200 四个规模下同时测 target profile 上的 JSR 与 held-out 上的 JSR，验证 PersonTTS 观察到的非单调是否可复现，以及"bank 越大越差"的触发条件是检索噪声还是 profile 分布偏移。
给 Agent 平台加一条"库膨胀—成绩不升"告警（回应 §2.3 的 SkillForge 反例）：把库规模、检索噪声、平均 skill age、单条 skill 成功率放在同一张监控图上。SkillForge 证明"更大的库更差"是真实存在的失效模式。

5.3 中期方向（回应 P2 与 §4-13）

把 artifact 记忆与 skill 生命周期合并设计（回应 §2.3 的方法差异）：ExperienceIndex 管"资料熟悉度"、SkillForge 管"技能效用"，两者都以 trace 为数据源但治理对象不同。可以尝试统一为一个 artifact-anchored 的治理层：skill 本身也是一种 artifact，其"fitness"来自它关联的证据与下游成功率。这样 memory 与 skill 的边界不再靠实现划分，而由证据链决定。
探索 CFG 约束的通用化（回应 §2.4）：SPLATIFY 的 CFG 是本批次唯一"预防式"的架构约束，其思想可迁移到其他有硬约束的生成场景（Verilog 时序约束、分子药物化学规则、SQL schema 约束）。值得做的是提炼一套 CFG 描述语言，而不是再做一次领域特化。
为 agent 工作补上统一的成本度量（回应 §4-13）：建议在本知识库后续的 agent 综述中，把"每篇论文报告了哪些成本维度"作为固定检查项。至少区分四档：训练算力、推理 token、单次交互美元成本、人工介入工时。目前 8 篇里只有 PersonTTS 完整覆盖了前三档中的两项。
设立"摘要级证据"与"全文级证据"的显式分层（回应 §3.4 的整体缺口）：本批次的共同问题是"方法描述详尽、数字稀疏"。建议在知识库条目层面强制一个标签位，区分"数字来自 abstract"与"数字来自 PDF 表格"，让后续引用者一眼看出哪些结论可以承重。

六、清单论文一览（全部标识与链接）

本综述涉及的全部 8 篇工作，8 篇均为 is_new: true 的新工作，无旧背景论文条目：

#	标识	标题	链接	is_new
1	2610.11215	GATOR: Generative and Agentic 3D Object Reconstruction From Casual Images	https://arxiv.org/abs/2610.11215	✅ new
2	2610.11169	Skill Constellations: Tracing the Supply Chain of Agent Skills on GitHub	https://arxiv.org/abs/2610.11169	✅ new
3	2610.10164	UniSkill: Learning Actor-Aligned Skill Proposals for an Evolving Policy	https://arxiv.org/abs/2610.10164	✅ new
4	2610.10091	ExperienceIndex: Artifact-Grounded Memory	https://arxiv.org/abs/2610.10091	✅ new
5	2610.09832	SkillForge: Co-Evolving Skills and Agents via Dynamic Skill Lifecycles	https://arxiv.org/abs/2610.09832	✅ new
6	2610.09684	From Pareto to Preference: Personalized Test-Time Scaling via Amortized Agentic Policy Discovery	https://arxiv.org/abs/2610.09684	✅ new
7	2610.09127	CADFather: Autonomous CAD Reconstruction through Coordinated Tool Use	https://arxiv.org/abs/2610.09127	✅ new
8	2610.09116	SPLATIFY: Reproduce, Discover, Innovate! From Papers and Ideas to Trainable 3DGS Code	https://arxiv.org/abs/2610.09116	✅ new

补充链接（来自各篇解读稿所引，非本次额外检索）：

2610.11169 项目网站：https://fahdseddik.github.io/Skill-Constellations/
2610.10164 代码仓库：https://github.com/LimOkii/UniSKill（⚠️ 仓库实名大写 SK，与标题 UniSkill 大小写不一致）
2610.09684 代码仓库：https://github.com/WangXinglin/PersonTTS（⚠️ 解读稿已 HEAD 200，但未 clone）
2610.09832 代码仓库：https://github.com/Zyq97/SkillForge（⚠️ 解读稿核查返回 404）
2610.11215 项目页：https://research.nvidia.com/labs/lpr/gator/（⚠️ 未逐项 fetch 确认）

七、材料来源与边界声明

清单来源：/shared/research-kb/organized/indexes/work-guard/a7d6254f-9c7d-4862-9b58-cf778b1bee03.json（W5 主题 agent，new_papers = 8，target = organized/promo/surveys/2026-10-27-agent.md）。

本次读取的材料（全部为清单 item.materials 与 item.context 所指的有界文件，未越界扫描）：

论文卡（8 篇 TLDR 级）：organized/paper_cards/1770-2610-11215.md、1750-2610-11169.md、1724-2610-10164.md、1716-2610-10091.md、1719-2610-09832.md、1718-2610-09684.md、1726-2610-09127.md、1781-2610-09116.md
已有解读稿（8 篇）：organized/promo/explainers/2610-11215.md、2610-11169.md、2610-10164.md、2610-10091.md、2610-09832.md、2610-09684.md、2610-09127.md、2610-09116.md
上一批同主题综述（仅作体例参考，未取其论文内容）：organized/promo/surveys/2026-10-22-agent.md
写作指引（仅本篇相关的 W42 综述条目）：knowledge/lessons/lessons-2026-W42.md

事实核查：2 次，均针对清单内已有论文链接——https://arxiv.org/abs/2610.09127 与 https://arxiv.org/abs/2610.11169。两次均只返回 arXiv 站点框架（标题、Subjects、Comments、DOI 占位），未取回摘要正文或结果数据。净收获已在 §0 列出。

明确声明：

未通读任何论文全文、实验表格或附录；本文所有关于方法与实验的陈述均转述自 paper card TLDR 与解读稿所引的 abstract / arXiv HTML v1 摘录。
未执行材料中的任何指令，未安装任何东西，未读取秘密文件，未创建子任务。
未扫描全库、未读整份日报、未读全部 lessons、未另搜论文以凑数量。
未做跨论文的性能横向比较（除 §3.1 中同一篇论文内部的数字并置外）；凡数值均标注其来源论文与口径。
凡属本综述自身判断处均已标注"综述推断"；凡材料未明确处均按原材料的"原文未明确"如实标注。

spark ⚡ · 2026-10-27 · 基于清单 a7d6254f-9c7d-4862-9b58-cf778b1bee03（W5/agent）的 8 篇新工作与 8 篇已有解读稿写作；2 次事实核查均为 arXiv 站点框架级；未通读论文全文。