艾略特(@elliotchen100):怎么判断一个 Skill 是真的好用，而不是只看下载量和主观评分？我们在做 Raven 🐦‍⬛ 的时候，一直在想这个问题。下载量只能说明它被安装过，评分只能说明有人喜欢。它们都回答不了一个更重要的问题：Agent 使用这个 Skill 之后，任务到底完成得更好了吗？所以我们做了 EverMind Skill Hub。它不只是一个技能目录。我们把 Skill 的判断拆成了三层：第一，评估 Skill 本身的实用性、鲁棒性和安全性。第二，判断 Agent 能不能为当前任务找到真正合适的 Skill。第三，在真实任务上做“使用 Skill”和“不使用 Skill”的对照实验。我们在 Raven 和 OpenClaw 两套 Agent Harness、多个模型以及四个真实世界 Benchmark 上进行了重复测试。 SkillsBench、Cybench、QwenClawBench 和 GDPVal 全部取得了统计显著提升。这并不意味着某个 Skill 在任何任务、任何模型上都一定好用。 Skill 的效果仍然取决于任务覆盖、模型能力，以及 Agent Harness 能不能把它真正执行出来。但至少，我们不再只能靠下载量和主观评分猜测。我们现在有了一套可复现的方法，去测量 Skill 什么时候有效、效果有多大、边界在哪里，以及接下来应该怎么改进。

2026.07.24 08:53

怎么判断一个 Skill 是真的好用，而不是只看下载量和主观评分？我们在做 Raven 🐦‍⬛ 的时候，一直在想这个问题。下载量只能说明它被安装过，评分只能说明有人喜欢。它们都回答不了一个更重要的问题：Agent 使用这个 Skill 之后，任务到底完成得更好了吗？所以我们做了 EverMind Skill Hub。它不只是一个技能目录。我们把 Skill 的判断拆成了三层：第一，评估 Skill 本身的实用性、鲁棒性和安全性。第二，判断 Agent 能不能为当前任务找到真正合适的 Skill。第三，在真实任务上做“使用 Skill”和“不使用 Skill”的对照实验。我们在 Raven 和 OpenClaw 两套 Agent Harness、多个模型以及四个真实世界 Benchmark 上进行了重复测试。 SkillsBench、Cybench、QwenClawBench 和 GDPVal 全部取得了统计显著提升。这并不意味着某个 Skill 在任何任务、任何模型上都一定好用。 Skill 的效果仍然取决于任务覆盖、模型能力，以及 Agent Harness 能不能把它真正执行出来。但至少，我们不再只能靠下载量和主观评分猜测。我们现在有了一套可复现的方法，去测量 Skill 什么时候有效、效果有多大、边界在哪里，以及接下来应该怎么改进。