SSL 处于 agent skill 表示与治理的密集研究区中，与三篇工作形成直接关联：
Skill-as-Pseudocode (SaP, 2605.27955) 解决同一根问题——prose 形式的技能文档阻碍下游系统——但采用了不同的结构化策略。SaP 将 prose 重构为 typed pseudocode（typed contract + concrete action template），目标是让 agent 在检索后能直接执行，打破 retrieval-action 反馈循环 [2605.27955]。SSL 则将 prose 映射为三层类型化 JSON 图（调度/结构/逻辑），目标是暴露技能证据供多种下游任务消费 [2604.24026]。两者的共同前提是：技能文档的自然语言表面混杂了异质信息，需要中间表示层来解耦。
SkillReducer (2603.29919) 从 token 效率角度切入同一问题空间。它将技能文档内容分为 5 个 taxonomy 类别（core rule / background / example / template / redundant），通过 delta debugging 压缩路由描述、taxonomy-driven progressive disclosure 重构 body [2603.29919]。SkillReducer 的核心发现——仅 38.5% 的 body 内容是 actionable core rules [2603.29919]——直接呼应了 SSL 的动机：技能文档中大量内容对下游任务是噪声而非信号。
Agent Skills Architecture (2602.12430) 是定义 SSL 所处范式的综述。它提出的三层渐进加载架构（Level 1 元数据 / Level 2 完整指令 / Level 3 子目录资源）[2602.12430] 为 SSL 的三层分解提供了部署框架——SSL 的 Scheduling 层可直接映射为 Level 1 路由信号，Structural/Logical 层可按需在 Level 2/3 加载。综述中的安全治理框架（G1-G4 验证门控 + T1-T4 信任等级）[2602.12430] 与 SSL 的 Risk Assessment 应用形成天然互补。
认知语言学理论锚定。SSL 是这一 cluster 中唯一显式锚定于认知科学理论的工作——Scheduling 层对应 Memory Organization Packets (Schank 1980)，Structural 层对应 Script Theory (Schank & Abelson 1977)，Logical 层对应 Conceptual Dependency (Schank 1972) [2604.24026]。SaP 的 typed contract 和 SkillReducer 的 taxonomy 都是工程驱动的设计，无理论锚点。这一理论基础使 SSL 的层级划分具有独立于实验结果的设计辩护——但同时也引入了"理论是否真的指导了设计还是事后合理化"的可质疑性。
多任务通用性 vs 单任务优化。SaP 专注于 retrieval-then-act 循环中的 action correctness [2605.27955]，SkillReducer 专注于 token 压缩后的 functional retention [2603.29919]。SSL 则同时服务 Skill Discovery 和 Risk Assessment 两个异质任务 [2604.24026]，且发现两个任务对 SSL 的消费模式不对称——检索偏好简洁 SSL（不含全文），风险评估需要 SSL + 原文组合。这种跨任务不对称性是 SSL 作为"证据接口"定位的核心实证支撑。
资源接触面显式化。SSL 的 Logical 层包含 resource_scope 字段（8 种枚举：MEMORY / LOCAL_FS / CODEBASE / PROCESS / USER_DATA / CREDENTIALS / NETWORK / OTHER）[2604.24026]，这是 cluster 中唯一将安全相关的资源边界从 prose 中结构化提取的设计。SkillReducer 的 Risk check 仅扫描 unsafe sinks 的 AST pattern [2603.29919]，SaP 的 Risk check 同样限于 AST 级别 [2605.27955]。SSL 的 resource_scope 提供了语义级别的资源接触面声明，理论上支持更细粒度的权限控制。
| 维度 | SSL | SaP | SkillReducer | Agent Skills Survey |
|---|---|---|---|---|
| 表示目标 | 多任务证据接口 | 可执行 action template | 压缩后的分层文档 | 范式定义 |
| 结构化粒度 | 三层图（12 act types × 8 resource scopes） | typed contract（I/O schema + pre/post） | 5-category taxonomy | 三层渐进加载 |
| 验证机制 | 4-pass LLM 归一化 + 硬验证 | 4-check 确定性验证器（0% FP） | ddmin + 2-gate 质量门控 | G1-G4 验证管道（框架级） |
| 安全切面 | 一等公民（Risk Assessment 任务） | 辅助 check（Risk scan） | 无（安全不在 scope 内） | 核心关切（26.1% 漏洞审计） |
| 评估规模 | 6,184 技能 / 431 查询 / 252 风险标签 | 500 技能 / 134 ALFWorld games | 600 技能 / 87 SkillsBench 任务 | 综述（无原创实验） |
全文档的信号 vs 噪声角色矛盾。SSL 发现 Full Doc + SSL-Rich (0.681) 劣于 Desc + SSL-Rich (0.729) 在 Skill Discovery 中 [2604.24026]——全文档稀释了结构化信号。但在 Risk Assessment 中，Full Doc + SSL (0.509) 显著优于 Full SSL alone (0.422) [2604.24026]。这与 SkillReducer 的 less-is-more 效应一致（压缩后 score 0.742 > 原始 0.722）[2603.29919]，但矛盾于 SaP 中 substituted bundle 已经包含 parent skeleton（即部分原文语境）的设计选择 [2605.27955]。
矛盾根源：任务性质不同。检索是 matching 任务，信号密度越高越好，冗余文本是纯噪声；风险评估是 detection 任务，需要覆盖散布在文本各处的隐含线索（如 Covert Execution 的不可观察性信号），结构化表示可能系统性遗漏这类弱信号。SaP 的 bundle 设计实际上是对检索和执行两种需求的折中。
SSL 的三项设计约束之一是 Grounded——"字段严格摘要源文档证据，不推断隐含行为" [2604.24026]。但人工审计的源文溯源准确度仅 83% [2604.24026]，意味着约 1/6 的 SSL 字段未能忠实溯源到源文档。这直接削弱了 grounded 设计目标的可信度。更关键的是：审计在 100 个技能上进行（6,184 的 1.6%），审计集的代表性未经论证。SSL 字段中 17% 的非溯源内容可能包含 LLM 幻觉——而在 Risk Assessment 中，幻觉出的 resource_scope 声明可能导致假阴性（遗漏真实风险）或假阳性（误报风险），两者对安全审计同等有害。
SaP 的 4-check 确定性验证器在 30 个 synthetic negatives 上实现 0% FP [2605.27955]，提供了硬安全保证。SSL 的 Pass 4 验证仅检查结构一致性（唯一 ID、合法枚举、转移目标有效性），不验证语义忠实度。
归一化流水线完全依赖 DeepSeek-V3.2 [2604.24026]。论文未报告：(1) 跨 LLM 的归一化一致性（同一技能用不同 LLM 产出的 SSL 是否相同？），(2) LLM 版本更新后 SSL 产出的稳定性。SkillReducer 明确评估了跨模型泛化性（5 models / 4 families, mean retention 0.965）[2603.29919]，并用独立模型做压缩和评估（DeepSeek-V3 压缩，Qwen3.5 评估）以防止 gaming [2603.29919]。SSL 用同一模型系列做归一化和部分评估，未隔离 model bias。
SSL 的两个下游任务均为 offline evaluation：Skill Discovery 是检索评估（MRR/Recall），Risk Assessment 是分类评估（Macro F1）。没有将 SSL 接入实际 agent 执行循环的端到端实验。SaP 直接在 ALFWorld 134 games 中评估 agent 任务完成率 [2605.27955]，SkillReducer 在 SkillsBench 87 任务中评估 agent functional quality [2603.29919]。SSL 无法回答一个核心问题：改善 MRR@50 +0.080 是否转化为 agent 任务成功率的实际提升？检索质量与任务完成之间的因果链未被验证。
7 种 scene types 和 12 种 act types 的受限词表保证了跨技能可比性，但牺牲了表达力。Structural 层将所有技能阶段映射到 7 种类型（PREPARE / ACQUIRE / REASON / ACT / VERIFY / RECOVER / FINALIZE）[2604.24026]——但现实技能中，REASON 与 ACT 的边界往往模糊（如"分析日志并据此修改配置"既是推理又是行动），强制归类可能引入人为的颗粒度切割。论文未报告 inter-annotator agreement 来量化分类边界的稳定性。
Skill Discovery 有 6,184 候选 + 431 查询，规模可观但查询来源未详述。Risk Assessment 仅 252 技能 + 6 维度 [2604.24026]，且 gold labels 由三个 LLM 多数投票产生而非人工标注。LLM-as-judge 在安全领域的可靠性本身就是未验证的假设——用 LLM 标注的 ground truth 来评估 LLM 的风险检测能力存在循环验证风险。
SSL 在 agent skill 表示的谱系中占据一个独特位置：它既不像 SaP 那样生产可直接执行的 action template，也不像 SkillReducer 那样优化 token 效率，而是提供一个证据接口层——将技能文档中的三类异质信息（调用接口、执行结构、操作事实）解耦并类型化。
这一定位的价值在于：它使技能文档的内部结构对下游系统透明，而不需要下游系统自己解析原文。Agent Skills Survey 提出的三层渐进加载 [2602.12430] 解决了"何时加载多少信息"，但未解决"加载的信息如何被高效消费"。SSL 填补了这一空白——它是渐进加载架构的内容结构化层。
SSL 的实际采纳前景取决于归一化器的可靠性和成本。论文报告 6,184 技能的归一化使用 DeepSeek-V3.2 [2604.24026]，但未公开完整提示词模板和 judge 提示词 [2604.24026]。代码和数据已开源（GitHub COOLPKU/SSL），这降低了复现门槛，但核心流水线的不完整开源限制了社区验证。
对比 SkillReducer 声称将"作为开源 build-time 工具发布"但未提供仓库 [2603.29919]，以及 SaP 声称完整开源但 L1 未含 repo URL [2605.27955]，SSL 的开源状态相对最清晰（有明确 repo URL 和发布资产描述）。
SSL 面临来自两侧的挤压：
SSL 的持久竞争力在于安全切面：resource_scope 的显式化是 SaP 和 SkillReducer 都不提供的能力，而 Agent Skills Survey 的安全审计（26.1% 漏洞率）[2602.12430] 证明了这一需求的紧迫性。如果 agent skill 生态向着信任治理方向发展，SSL 的结构化资源声明可能成为审计基础设施的核心组件。
SSL 暴露证据但不生产 action template；SaP 生产 action template 但不暴露系统化的资源/风险证据。一个自然的混合方向是：用 SSL 的 Logical 层作为 SaP 合同提取的输入——SSL 的 12 种 act types 和 resource_scope 声明可以直接作为 contract 的 pre/postcondition 和 risk annotation 的结构化种子，替代 SaP 目前从 prose 直接提取合同的 LLM 调用。这可能同时提升合同的覆盖率和安全声明的完整性。
SkillReducer 的 taxonomy 分类器将 body 内容分为 5 类，其中 core rule (38.5%) 始终加载 [2603.29919]。SSL 的三层分解提供了一个更精细的 actionability 信号：Scheduling 层字段是路由级 core（类似 SkillReducer 的 description），Structural 层的场景图是规划级 core，Logical 层的操作细节可能大部分是 on-demand 内容。用 SSL 层级作为 SkillReducer taxonomy 的先验，可能实现比 GMM clustering（silhouette 0.393）更有判别力的内容分类。
当前 SSL 将三层完整归一化后静态存储。一个未被探索的方向是根据下游任务动态选择暴露深度——检索任务只需 Scheduling 层（SSL-Shallow 已超越最强非 SSL 基线 [2604.24026]），安全审计需要完整 Logical 层，规划任务可能只需 Structural 层。这与 Agent Skills Survey 的三层渐进加载 [2602.12430] 形成直接映射，但需要一个 SSL 层级感知的路由器来决定何时加载何层。
SSL 目前是 per-skill 的独立表示。但技能库中的技能往往存在隐含依赖（技能 A 的输出是技能 B 的输入）和潜在冲突（两个技能对同一资源有互斥操作）。将多个技能的 Logical 层 resource_scope 声明连接为全局图，可以实现：(1) 自动发现技能组合的安全冲突（如两个技能同时写同一文件），(2) 构建技能依赖拓扑供规划器使用，(3) 检测技能库中的资源竞争热点。这一方向将 SSL 从单技能表示扩展为技能库级别的治理基础设施。
当前 SSL 的源文溯源准确度（83%）由人工审计确定 [2604.24026]。一个可能的改进是利用 SaP 的确定性验证思路——设计针对 SSL 字段的确定性 ground-truth check（如：resource_scope 声明 NETWORK 时，源文档中是否存在网络相关的 API 调用或 URL；act_type 声明 CALL_TOOL 时，源文档中是否存在工具调用的文本证据）。这种 check 可以自动化地替代部分人工审计，并将溯源准确度从 sample-based 估计升级为 population-level 保证。