一个被忽略的缺口
自主研究 agent 的架构叙事一直是两层：模型给理解和推理，harness 给规划、记忆、验证。WHALE 论文刚把这两层的联合优化讲完，BAAI 这篇就指出：还有一个第三层，两层都不管它。
他们叫它 operational knowledge（操作性知识）——「知道一个方法」和「把它跑通」之间的距离。选哪个包、数据要什么格式、哪个参数组合是合理的、哪些坑会让一次训练白跑。模型的先验够广但是冻结的，harness 控制流程但不携带领域内容。没有这一层，agent 在任务内靠试错烧预算，任务间记不住任何发现。
于是研究 agent 的公式从两项变三项：A = (M, H, K)。harness 决定 agent 怎么研究，K 决定研究开始时它已经知道什么。
DisCo：边造技能、边用技能
论文的解法叫 DisCo，同一个 agent、同一副骨架，两种模式。Creator 模式做蒸馏：把声明式来源（仓库、论文）改造成可执行的技能。Researcher 模式做研究：从技能库里取用。Creator 的成本每个来源只付一次，摊到之后所有任务上——这个成本不对称是整个方案能规模化的关键。
蒸馏流水线四段，两种形态共用：
任务无关形态（锚点是来源）：理解仓库 → 识别值得暴露的能力 → 抽取证据 → 封装工具、打包技能 → 验证。Run 在 sentence-transformers、AlphaFold、vLLM 这类仓库上，产出可跨任务复用的技能。
任务导向形态（锚点是任务）：分解任务 → 找能力缺口 → 主动搜索来源补缺 → 生成技能 → 验证。Kaggle 竞赛、开放式算法问题适用。
两种形态的共同底线是一句话：验证是蒸馏和总结的分界线。没有跑过断言检查的技能不许入库，验证不过就局部修复，修不完的缺口如实记录而不是藏起来。
技能的三层结构
每个来源蒸馏成一个 skill graph：入口技能声明范围，链接承载路由、依赖、组合关系，agent 按需展开。单个技能三层：
**SKILL.md** — 知识接口，唯一被预先读取的层，写清适用条件和操作流程
**references/** — 知识基底，API 细节、算法细节，用到才加载
**scripts/** — 执行接口，定义好输入输出的可执行封装，agent 调用而不是重写
这就是 progressive disclosure 的工程化：agent 可以持有几千个技能，但任何时刻只有当前任务需要的那几条进入上下文。AREX-Skill Library 目前从 1000 个主流 ML 仓库蒸出 5353 个已验证技能，组织成 20 个领域、178 个能力族，由库级 router 导航。每仓库平均成本约 40 美元。
结果：只换 K，别的全冻住
评测设计很干净：Codex 做 harness，GPT-5.5 做骨干，执行预算对齐，唯一变量是有没有技能。
MLE-bench（75 场竞赛）：Any-Medal 31.11% → 72.89%，相对提升 134.3%。更狠的是 High 难度档：13.33% → 62.22%，4.67 倍。加了技能的 vanilla Codex 直接越过所有公测定制 agent（此前最强 64.44%）。
| Agent | 骨干 | Low | Medium | High | 全量 (n=75) |
|---|---|---|---|---|---|
| Famou-Agent 2.0 | Gemini-3-Pro | 80.30 | 64.04 | 42.22 | 64.44 |
| AIBuildAI | Claude-Opus-4.6 | 77.27 | 61.40 | 46.67 | 63.11 |
| MLEvolve | Gemini-3-Pro | 80.30 | 57.89 | 42.22 | 61.33 |
| Codex（无技能） | GPT-5.5 | 42.42 | 31.58 | 13.33 | 31.11 |
| Codex + AREX-Skill | GPT-5.5 | 86.36 | 69.30 | 62.22 | 72.89 |
表1 | MLE-bench 全量 75 竞赛 Any-Medal 得分（%）。加技能的 vanilla Codex 在所有难度档全面领先公测定制 agent
PaperBench（20 篇论文复现）：29.45 → 39.59，相对提升 34.4%。18/20 任务改善，基线越低的任务相对增益越大（ftrl 11.4 倍，rice 6.1 倍）。
FrontierCS（188 题）：70.63 → 77.14。47 道低分题（<50 分）从均值 19.43 拉到 45.99，30 道跨过 50 分线。同分数下 token 只用 Claude Code + Opus 4.8 的 30%，Pareto 支配。
| Agent | 骨干 | Score | 平均 Steps | 平均 Tokens |
|---|---|---|---|---|
| Claude Code | Opus 4.8 | 74.5 | 355.4 | 14.72M |
| Gemini CLI | Gemini 3.1 Pro | 60.2 | 74.3 | 2.00M |
| Codex（无技能） | GPT-5.5 | 70.63 | 55.9 | 2.46M |
| Codex + AREX-Skill | GPT-5.5 | 77.14 | 88.7 | 4.47M |
表2 | FrontierCS Agent Track 188 题。同分之下 token 只用 Claude Code 的 30%，Pareto 支配
PassNet（编译器 pass 生成）：AS Score +14%，失败样本 14 → 5，aggregate 分数超过 TorchInductor 本身。
三个细节值得单独记住。其一，增益和资源消耗不相关（Spearman ρ ≈ 0.006-0.015）——不是技能让 agent 烧了更多 token，是技能把它导进了高产区。其二，任务越难增益越大——难题暴露的库、实现、配置空间更大，试错成本更高，操作性知识的溢价更高。其三，20 篇里有 2 篇复现倒退，作者归因于检索精度失败：检索来的技能把 agent 从它本来能自己找到的窄路上拽开了，解法是更好的路由 + 检索不匹配时回退到无引导推理。
对做 agent 的人意味着什么
这篇和 nanobot 这类系统做的事是同一件事的系统化版本：SKILL.md + references + scripts 的三层结构、progressive disclosure、验证后入库——你在实践里手搓的技能规范，这篇论文给出了规模化的流水线和消融证据。
更有意思的是和 WHALE 的对位：WHALE 说模型和 harness 要协同进化，这篇说在两者都冻结的前提下，第三根轴 K 单独拉起来的收益就有 134%。三条轴的优先级问题现在有了第一个数据点——如果你只能改一件事，先补知识和它的验证闭环，性价比可能高于换模型或改 harness。
边界也要说清楚：构建成本是另算的（每仓库 40 美元、每任务单独预算），2 个倒退任务说明检索精度是真实瓶颈，而整个体系压在「来源是声明式的、可验证的」这个前提上——换个领域，验证信号不一定这么好造。
论文：arXiv 2609.02749