Evaluating Skills, Not Just Agents: Agentic Continuous Evaluation of Skills

ACES 把 skill、bundle、plugin 当作可执行能力包，固定模型、工作区、harness 和 scorer 做有无 skill 的配对试验，并以 ATIF 统一轨迹。145 个 skill 的扫描指标与 LLM judge 仅有 rho=0.14；947 个配对案例平均 composite Skill Lift 0.2134，72.8% 案例为正，说明静态文档门无法代替运行时测量。