一个技能接管：同职能 Agent 技能冲突与单文件修复

两个同任务技能的文件都在上下文中时，模型是合并兼容规则，还是跟随一个并丢掉另一个。

• 场景：Agent Skill 是带 SKILL.md 的小文件夹，告诉编程智能体如何做一类事，例如写 commit message、审代码或写 API 文档。技能来自多个作者并排安装，没有机制阻止两个同任务技能同时生效。作者称有的规则冲突，但多数可以一起遵守。
• 已有测量的缺口：Yan 等人在 Claude Code 里安装公开的同任务技能对，第二个技能大约每五次运行夺走第一次中的一次；修复是用 hook 挡住竞争技能。作者称该设定里智能体按需打开文件，损失多来自从未打开第一个技能的运行，而且只给第一个技能打分。
• 留下的问题：两份文件都已在上下文里时模型做什么；修复能否保住两边的规则，而不是挡住其中一个。作者把一种输出称为 takeover：只属于一个技能的规则全部被遵守，只属于另一个技能的规则全部被丢掉。
• 本文给出的东西：基准 SKILLCLASH，16 对为该基准构造的同任务技能，代码检查每条规则，参考输出标出可达成的最好结果。Figure 1 中 Qwen3-4B 在两技能都加载时遵循 B 的六条规则，A 只剩 shared 那一条；换成一份合并文件后，该输出遵循全部十条可达成规则。

Agent Skill 如何失效

• 多技能收益：Li 等人（2026）的 SkillsBench 里，精选技能提高任务通过率，使用四个及以上技能的任务收益更小；冲突指导被提出为一种可能原因。
• 公开技能与选错技能：论文写 Han 等人（2026）在真实软件工程任务上看到多数公开技能收益很小或没有；Dong 等人（2026）写单个已加载技能就可能让智能体漏掉或填错要求的部分；Song 与 Wei（2026）写大型技能库里的损害大多来自选错技能或没选中技能。
• 同任务冲突：Yan 等人（2026）按要求逐条测量并排安装的同任务技能让已安装技能损失了什么，修复是挡住竞争技能。作者写出与该工作的三点不同：两个文件都在上下文中，两边都对照已知最好输出打分，所测修复保留两个技能。

冲突指令

• 权限更高的指令：Wallace 等人（2024）用 instruction hierarchy 训练模型遵循两条冲突指令里权限更高的一条。
• 声明的优先级：Geng 等人（2026）写模型常常不执行已声明的优先级，简单格式规则之间也如此。作者称本文的优先级指令以同样方式失败。
• 更早的模式：Camassa 与 Shiller（2026）写对话里更早给出的模式可以压过显式指令。作者称本文里每个技能中的 worked example 起这个作用。作者还称，这些工作比的是一条指令对另一条；本文比的是两份地位相同的完整技能文件，丢掉的内容大多并不与任何规则冲突。

合并与改写技能

• 按任务分数：SkillOps（Pu 等人，2026）合并正文相同的技能。SkillSmith（Wei 等人，2026）用任务分数估计两个检索到的技能是互相帮助还是互相伤害，那些技能做的是不同的事。SkillComposer（Zhang 等人，2026）把两个相似技能改写成一个更一般的技能，用任务通过率评判。
• 约束编译：SkillFusion（Huang 等人，2026）把同时加载技能里的约束对标成硬冲突、软冲突或冗余，编译成一个文件，并在任务成功上超过拼接和一次改写。作者称这是与本文修复最接近的工作。
• 反思式改写：GEPA（Agrawal 等人，2026）根据失败运行及其反馈改写提示词。SkillOpt（Yang 等人，2026）在验证门下编辑一份技能文档。Kozyrev 等人（2026）写，在仓库技能上二者的收益无法与逐次运行的噪声分开。

基线与基准

• 对照条件：两技能同时加载、优先级指令、「apply both」、代码写成的 rule union、上述风格的 feedback loop，以及模型自己的 plain merge 与 step-by-step merge。评测用自建 SKILLCLASH，不是公开技能库。

作者称，上述合并工作按任务成功或合并文件本身打分；本文对每个输出按两个源技能的规则、对照已知最好输出打分，从而看到每种修复保住什么、丢掉什么。作者称合并能起作用，靠的是正确的规则对标注，以及一个同时遵循两个技能的正确示例。

整体做法是构建基准 SKILLCLASH，把两份技能文件都放进上下文并两边打分，再比较加指令与合成一份 meta-skill。

任务、技能与四类规则

• 16 个任务：commit message、pull request、SQL、incident report、Python 函数、support reply、changelog、JSON 错误体、code review、测试用例说明、standup、bug report、Dockerfile、接口文档、on-call alert、user story（Appendix A）。
• 一对技能：每个任务有 A、B 两个 SKILL.md，各六条规则加一个只遵循该技能的示例。技能为基准而造，不从公开仓库收集，以便控制规则如何相互作用。
• 四类关系（相对另一技能，Figure 1）：contradictory，不能同时满足，每边一条；shared，要求相同，每边一条；entangled，可以同时满足但要小心安排，每边一条；exclusive，另一边不触及，每边三条。与 IFEval 一样，用小程序检查每条规则。
• 标签复核：一位未写技能、未见标签的合作者标出全部 16 对 contradictory 和 16 对 shared，且没有多标。entangled 更难看见：16 对里 8 对标为 entangled，4 对标为 contradictory，4 对未列出。作者称被标成 contradictory 的对里，一条要精确位置、另一条只要附近位置，排好就能同时成立；未列出的是长度和格式限制。

什么算遵守

• 十二条不能全满足，因为 contradictory 不能同时成立。每对指定一个 primary，其矛盾侧为正确侧；每对两个方向各跑一遍。作者称这是唯一应当输掉的地方。
• 正确输出遵循十条不同规则：primary 的六条，加上另一技能的三条 exclusive 和一条 entangled。shared 与 primary 要求相同，不重复计数。
• 每个 primary 有一份参考输出，同一套代码确认它遵循全部十条。Figure 1 那一对的两份参考输出只在首行不同。跑模型前还有自测：每个示例遵循自己的规则，矛盾对和 entangled 对在示例上成立（Appendix A）。
• takeover 不同于 primary：它还丢掉另一技能并不与任何规则冲突的 exclusive 规则。

指标与放入上下文的方式

• rules followed：一个技能六条规则里被遵守的比例。takeover：一边三条 exclusive 全遵守、另一边全丢掉。achievable rules followed：十条里被遵守的比例；只遵循 primary 为 60%。fully correct：十条全遵守。作者称后一指标更严：平均遵守了多数可达成规则，仍可能很少有输出十条全中。
• 两份文件放在系统提示词里，提示词要求遵循每个已加载技能里适用于该请求的每条规则，从而去掉「选不选打开哪个文件」。也测过把两份文件放在用户消息里。用户轮次只要求给出该类文本。

两类修复怎么建

• 加指令：priority 说冲突时 primary 优先，否则仍遵守全部已加载规则。「apply both」说两个技能互补，两边每条规则都要进同一输出，只有不能同时成立时 primary 的规则赢。
• rule union：代码把两边规则抄进一个文件、分成两个标题，不带示例，并加一行说明冲突时哪边赢，不经过模型。
• feedback loop：GEPA 与 SkillOpt 风格。六轮，每轮在三条练习请求上运行，列出打破的规则，让模型改写文件，只有遵守的规则变多才保留。Qwen3-4B 既回答练习请求也改写文件。模型每任务提出 16 条练习请求，保留 12 条，六条给反馈、六条选最终文件（Appendix A）。
• 模型合并：plain merge 让模型写成一份替代两者的 SKILL.md，冲突时 primary 的规则赢，并带一个示例。step-by-step 先列规则、给相互作用的对做标注、为每个 entangled 对写一条合并规则、其余规则逐字复制。七个模型各自为自己合并。Claude Opus 5.5 只看技能文件，其文件交给全部七个模型。

激活里的方向

• 在 Qwen3-4B、Qwen2.5-7B、Llama-3.1-8B 上，取最后一枚 prompt token、模型还没开始写之前的激活，训练线性探针，预测先列出的技能还是后列出的技能会赢。
• steering 在模型读提示词和生成时，把一个固定向量加到某一层的输出上，方向朝向没有 steering 时输掉的技能。一般方向用其余 15 个任务上「先列出的赢」减去「后列出的赢」。层和强度在每任务四条请求上选择，另四条上报告（Appendix E）。作者称这是机制检验，不是修复。

实验设置

• 被测模型：Qwen3-4B、Qwen2.5-7B、Mistral-7B（Appendix A 写 Mistral-7B-v0.3）、Llama-3.1-8B、Phi-4-mini、Qwen3-235B（qwen/qwen3-235b-a22b-2507）、GPT-4.1（openai/gpt-4.1）。作者称来自五个系列。Claude Opus 5.5 只写合并文件。
• 数据：SKILLCLASH，16 个自建任务，每任务 8 条请求，两种加载顺序，两个 primary。GPT-4.1 每任务跑其中 4 条。
• 解码：开源模型贪心；两个 API 模型经 OpenRouter、温度 0。
• 条件：单技能、无关技能、两同任务技能、priority、「apply both」、rule union、feedback loop、各模型 plain / step-by-step merge、Claude 的合并文件。
• 指标：代码检查，论文未报告 LLM 评审。rules followed 为六条规则的比例；takeover 为 exclusive 三条全有对全无；achievable rules followed 为十条的比例，只跟 primary 为 60%；fully correct 为十条全中。
• 统计：单位是 16 个任务。95% bootstrap 区间按任务，比较按任务配对。

主结果

下表为可达成规则遵循比例（%）。两技能、apply both、rule union、Claude 列分别对应 Table 1–3 的 Both skills loaded、「Apply both」instruction、Rule union + priority line（主文的 rule union）、Step-by-step merge by Claude Opus 5.5。GPT-4.1 每任务 4 条请求。

表格较宽，可左右滑动

模型	两技能	apply both	rule union	Claude 逐步
Qwen3-4B	58.1%	69.5%	78.6%	98.4%
Qwen2.5-7B	58.6%	73.1%	73.2%	96.7%
Mistral-7B	60.3%	78.1%	74.6%	96.8%
Llama-3.1-8B	59.1%	72.0%	79.4%	98.6%
Phi-4-mini	59.9%	69.3%	65.9%	95.9%
Qwen3-235B	59.6%	87.6%	85.7%	99.0%
GPT-4.1	58.9%	88.6%	89.7%	99.4%

• 规则遵循不是上表的分母：Figure 2a 里同任务并排时，六条规则的遵循比例为 61%、61%、62%、61%、62%、62%、61%（顺序同图：Qwen3-4B 到 GPT-4.1）。摘要写单独加载为 93% 到 99%。作者称无关技能不改变结果。五条总能成立的规则上，降幅仍为 28 到 35 个百分点（Section 4）。
• 全有或全无：作者称输出很少是混合。Table 1–3 中两技能同时加载的 takeover 为 45%（Mistral-7B）到 78%（Qwen3-4B）。被丢掉的 exclusive 规则并不与另一技能冲突。
• 指令与合并文件：作者称优先级指令在任何模型上都没有找回丢掉的技能（Table 1–3：可达成规则 61.5% 到 70.6%，takeover 36% 到 82%；正文写 62% 到 71%）。「apply both」在 Table 2 的两个强模型上 takeover 为 0，但两条 entangled 同时遵守为 38% 和 32%，完全正确为 22% 和 21%；作者称 primary 保住矛盾侧为 59% 和 73%（Section 5，与该句并列）。作者称只有 Claude 的文件在每个模型上都接近上限；该条件在 Table 1–3 的 takeover 均为 0。正文把可达成规则概括为 96% 到 99%，表中最低点是 Phi-4-mini 的 95.9%。

示例如何驱动 takeover

• 去掉示例：五个开源模型加 Qwen3-235B 上，有示例时 takeover 为 45% 到 78%，去掉两边示例后为 7% 到 41%（Section 4，Appendix C）。六个模型上，两份完整文件放进一个文件且保留示例，takeover 仍为 34% 到 73%。只留一个技能的示例时，该技能赢得 67% 到 93% 的 takeover；作者称唯一例外是 Phi-4-mini，几乎每次都跟随后列出的技能。
• 同一个双技能示例：六个被测模型上，每个文件以 Claude 合并文件里那个同时遵循两技能的示例结尾时，takeover 降到 1% 到 15%，可达成规则为 90% 到 96%，且没有合并成一个文件。两个强模型上，完全正确输出从 1% 升到 76% 和 60%，「apply both」只有 22% 和 21%（Section 4；Table 2 为 76 与 60、takeover 1 与 15）。
• 没有冲突也会互相妨碍：作者称即便交互规则都去掉，Qwen3-4B、Qwen2.5-7B、Phi-4-mini、Qwen3-235B 完整遵守两边 exclusive 规则的比例，仍比单技能运行的预测低 24 到 33 个百分点，区间不含 0（Appendix C）。SQL 上每个模型 takeover 至多 19%（Section 4；Table 7 最高为 Phi-4-mini 的 19%）。至少 75% takeover 的任务为 5 到 12 个（共 16）。先列出的技能赢得 takeover 的比例：Llama-3.1-8B 74%、GPT-4.1 77%、Qwen2.5-7B 24%、Phi-4-mini 3%。

合并文件里什么在起作用

• 示例占增益的大头：作者称去掉 Claude 文件中的示例，四个有该次运行的开源模型少 9 到 25 个百分点可达成规则，两个强模型大约少 2 个；六个模型上完全正确输出少 14 到 52 个百分点（Section 5，Figure 3c）。把该示例加到代码写的 rule union，六个模型上升 9 到 24 个百分点，都落在 Claude 完整文件的 8 个百分点以内。GPT-4.1 上，rule union 的完全正确输出从 30% 到 89%（Table 2）。来源技能自己的示例加回去则相反：作者称少 0 到 14 个百分点，takeover 回到 32% 到 55%。
• 示例必须正确：Figure 5 按「示例满足全部可达成规则」的比例排列合并者，图下为 0%、9%、12%、16%、31%、53%、94%（Mistral-7B 到 Claude Opus 5.5）。Table 4 的分数为 0/32、3/32、4/32、5/32、2/32、10/32、17/32、30/32（含 Phi-4-mini 的 2/32）。作者称正确示例增加 12 到 17 个百分点，不正确的增加很少或没有增加。作者称同一任务和 primary 下，别的合并者写的正确示例与 Claude 的帮助相差在 1 个百分点以内（三个 reader）。
• 标注不对，逐步合并就不更好：Claude Opus 5.5 把 48 对交互规则全部标对，且没有多报，32/32 个文件每条规则都处理对（Table 4）。七个自合并模型正确标注 2 到 39 对，并报告 8 到 61 对并不交互的规则对，至多 14/32 个文件全对。无此类错误时，作者给出 step-by-step 对 plain 为 96% 对 96%（Qwen3-235B）和 94% 对 96%（GPT-4.1）；有一处错误时为 84% 对 94% 和 88% 对 94%，未写明后两组属于哪两个合并者。换成正确标签后，Qwen3-4B 的逐步合并在七个模型上增加 8 到 10 个百分点（Table 5 为 +8.1 到 +9.6）。

激活方向与公开摘要

• 探针：对见过的技能对，猜该对的常见胜者已对 96% 到 99% 的 takeover 输出正确；Table 8 对新请求的基线为 96.5%、98.9%、97.1%。对没见过的对，作者称没能在三个模型上显示探针优于总是猜先列出的技能，并称 16 个留出对使这个检验偏弱。
• steering：作者称一般方向翻转 38% 到 49% 的 takeover，同层同强度随机方向翻转 0% 到 3%。Table 9 里 best for flipping 的翻转为 48.8%、48.1%、37.7%，对应随机对照为 2.9%、0%、0%（Qwen3-4B、Qwen2.5-7B、Llama-3.1-8B）。作者称两边都被遵守的情况在任一模型上至多 13%；Table 9 中该格最高为 13，且 Llama-3.1-8B 的一条随机对照也为 13。Qwen3-4B 上更强的 steering 会破坏文本。Figure 6 的留出请求为每模型 89 到 100 条，且无 steering 时都是 takeover。
• 公开摘要：作者重分析 Yan 等人的公开运行摘要，Claude Code 里同时用到两个技能的运行，相对只装技能 A 的配对运行，只由 A 提出的要求少满足约 8 个百分点（Section 7，Appendix F）。作者称这是观察性的，效应小于本文基准，但方向一致。Figure 7 注明哪些技能被用到并未随机化。

其他消融与分析

• 两文件放在用户消息而非系统提示词：六个模型上规则遵循降 32 到 37 个百分点（不含 Mistral-7B；Section 4）。
• 无示例时，一个文件相对两个文件：Table 5 为 +12.5、+9.6、+6.9、+17.9、+5.6、+14.8 个百分点；Phi-4-mini 的区间 [−1.2, 11.4] 含负值。
• feedback loop：Table 5，Qwen3-4B 上 rule union 循环后相对循环前 +13.8 个百分点，Llama-3.1-8B 读同一批文件 +9.7；挑起冲突的练习请求相对普通请求为 −0.2 与 −0.9，区间含 0。Figure 4 的该行是 92 / 89，强模型标为 not run。
• Qwen3-4B 作读者时，plain merge 的可达成规则为 79.3%、87.0%、93.9%、92.5%、97.7%（写作者依次为 Qwen3-4B、Llama-3.1-8B、Qwen3-235B、GPT-4.1、Claude；Table 1）。作者正文写 79、87、94、92 和 98。
• 只保留「有技能才遵守、无技能不遵守」的规则（162 到 174 / 192）时，七模型 takeover 为 52.1% 到 84.4%（Appendix A）。
• 模型给自己做 plain merge 的可达成规则，作者写 71% 到 95%；Table 5 中 Claude 文件相对各模型自己的 plain merge 高 4.7 到 24.8 个百分点，作者正文写 5 到 25。

作者指出的局限与后续方向

• 标注决定逐步合并（Section 7）：step-by-step merge 取决于给规则对做标注，只有一个合并者标得足够好。
• 保存前检查尚未测试（Section 7）：在保存前用源规则检查每条合并后的规则和示例。作者称这看起来便宜，但仍待测试。
• 标注存疑时退回尚未测试（Section 7）：标注有疑问时改用 plain merge。作者称同样尚未测试。
• 真实技能没有规则检查器（Section 7）：在真实技能上检查一次合并，需要评审模型或手写检查，因为真实技能不带规则检查器。

实验覆盖范围

• 被测读者为 Qwen3-4B、Qwen2.5-7B、Mistral-7B、Llama-3.1-8B、Phi-4-mini、Qwen3-235B、GPT-4.1，作者称来自五个系列；开源模型贪心解码，API 模型温度 0。GPT-4.1 每任务使用 8 条请求中的 4 条（Appendix A）。
• SKILLCLASH 为 16 个自建任务、每任务 8 条请求、两种加载顺序、两个 primary；每条规则由代码检查。一位未见标签的合作者复核了 16 对规则关系（Section 3）。
• 修复条件包括优先级指令、「apply both」、代码 rule union、由 Qwen3-4B 运行且由其与 Llama-3.1-8B 阅读的 feedback loop、七个模型各自的 plain 与 step-by-step merge，以及只看技能文件的 Claude Opus 5.5（Section 5，Figure 4）。
• 线性探针与 activation steering 在 Qwen3-4B、Qwen2.5-7B、Llama-3.1-8B 上进行；层和强度在每任务 4 条请求上选择，另 4 条上报告。Figure 6 的留出请求为每模型 89 到 100 条，且无 steering 时都以 takeover 结束（Appendix E）。
• 区间为按 16 个任务的 95% bootstrap，比较按任务配对。Figure 4 将强模型上的 feedback loop 标为 not run。Table 2、Table 3 中部分条件以「–」出现、没有数字。主指标由代码判定；论文未报告另用 LLM 给这些输出打分，也未报告温度 0 之外的重复采样。Appendix F 是对 Yan 等人公开运行摘要的再分析。

SKILLCLASH 用来看编程智能体在两份同任务技能都进入上下文后，会合并规则还是丢掉一边。

• 技能并排安装时，多数规则可以一起遵守，但没有机制阻止两个同任务技能同时生效。Yan 等人已经量过同任务技能互相取代，但其智能体按需打开文件，且只给一边打分。
• 16 对技能为这个基准而造。每边六条规则，关系分为 contradictory、shared、entangled、exclusive。指定 primary 后可达成十条；代码检查输出，参考输出确认这十条能同时达到。takeover 指一边的 exclusive 规则全遵守、另一边全丢掉。
• 七个模型上，单独加载时规则遵循为 93% 到 99%，同任务技能并排时为 61% 到 62%，45% 到 78% 的输出是 takeover。作者称技能里的 worked example 驱动了其中大部分；六个模型上，每个文件改成同一个双技能示例后，takeover 降到 1% 到 15%。
• 优先级指令没有找回丢掉的技能。「apply both」只在 Qwen3-235B 与 GPT-4.1 上使 takeover 为 0，完全正确输出为 22% 与 21%（Table 2）。Claude Opus 5.5 的逐步合并文件在七个模型上 takeover 为 0；正文写可达成规则为 96% 到 99%，Table 3 中 Phi-4-mini 为 95.9%。
• 作者称该文件相对两边规则清单的增益，大多来自末尾那个同时遵循两个技能的正确示例；示例不正确就增加很少或没有增加。作者称谁来写合并，比逐步流程本身更重要，因为逐步合并好不好取决于标注对不对。
• 作者称 takeover 发生在两份文件都已加载之后，改进技能选择因此解决不了；挡住一个技能会放弃它的规则。作者称每个模型上更高的结果，来自用手头最强的模型合并一次：文件以一个正确的双技能示例结尾，并且不要复制来源技能自己的示例。