47K Skill只筛出3K，小红书给Agent造训练场
小红书 AllSpark 团队从 ClawHub 下载了超过 47K 个 Skill 文件夹，按真实场景适用性、沙箱兼容性和依赖配置可行性筛了一遍，最后只留下约 3K 个。这个筛选比例本身就说明一件事：Skill 很多，能直接拿来当训练素材的没那么多。 他们提出的框架叫 Skill2Env，思路是从已有 Skill 出发，把 Agent 的能力需求转化成可复用的难度模式，再据此合成任务和执行环境。最终构建了 2,963 个可执行任务 ，覆盖 25 个领域 ，初始工作空间包含 46,295 个文件 ，涵盖代码、文档、结构化数据、图像等资源。 一份 Skill 能告诉 Agent 怎么用工具，但离一个能训练的环境还差得远。比如一份文档处理 Skill 可以说明如何转换 PDF、提取表格或执行 OCR，可要让 Agent 完成一次供应商对账，还得准备合同、发票、收据和付款记录，明确交付物，再建立能判断结果对错的评估机制。 这些部分互相照应：合同里的规则要能在材料中找到依据，任务要求必须在工具和工作空间条件下可完成，评估器也要和实际验收标准一致。逐个手工搭这种环境，撑不起后训练需要的规模和多样性。 Skill2Env 把复杂任务执行中的能力需求归纳成五个维度： 环境理解 ：从环境信息中识别相关事实，理解任务目标与约束 ：根据目标和约束制定多步计划，并在执行中动态调整 技能使用 ：正确理解和应用 Skill 提供的工具说明与执行流程 长程一致性 ：在长程任务中持续追踪状态与上下文 错误恢复 ：根据执行反馈定位问题、调整操作并继续执行 这些能力要落到具体任务上，靠的是一个可复用的难度模式池。比如“分散证据”把关键事实放在不同来源里，要求 Agent 综合判断；“状态依赖”让后续操作依赖前一步结果，要求 Agent 安排好执行顺序。 任务合成时，Agent 会根据 Skill 支持的工作流，挑选能自然组合进同一目标的难度模式，形成一份任务蓝图，统一说明任务目标、预期挑战、环境事实、验收标准和信息边界。 信息边界这一项挺关键：哪些内容直接写在任务说明里，哪些要到工作区查找，哪些需要由已有证据推断，都提前划清楚。解题所需的事实与证据保持可访问，参考结果及推导则留在任务构建侧。 围绕同一份蓝图，系统共同构建任务指令、运行依赖、初始工作区和基于评分细则的评估器——能程序检验的用确定性检查，其余用 LLM Judge，各项分数按权重汇总，并记录支持评分的证据。 初次合成时设计了挑战，不代表这些挑战对当前 Agent 足够难。有些任务可能被轻松完成，也有些预设难点可能被捷径绕过。Skill2Env 通过检查执行轨迹和评分结果来识别这些问题：奖励高于阈值的任务进入下一轮强化，其余保留。 诊断 Agent 对照任务蓝图，分析哪些挑战已被解决、哪些要求被绕过，然后针对性地强化已有难度模式，或引入与当前任务兼容的新模式。调整先体现在任务蓝图上，再同步更新任务指令、工作空间、执行环境和评估器。如果发现模式池尚未覆盖的通用挑战，还能把它抽象成新的难度模式。 论文里的 Docling 案例展示了完整过程。Docling Skill 用于指导 Agent 使用 Docling 工具做文档解析、格式转换、表格提取和 OCR 识别。最初的任务要求 Agent 对一家供应商的季度账单进行核对，读取 10 个文件、6 种格式 的材料，包括 DOCX 合同、HTML 费率附件、PDF 发票、扫描收据、XLSX 付款台账和 Markdown 说明，最终输出 CSV 明细、JSON 汇总和审计说明。 任务同时要求判断费率通知是否已经生效、核对差旅凭证、排除不属于本次项目的历史材料，并让三份交付物中的数字相互一致。原始任务设计了 3 项对账异常项，Agent 首次执行就拿了满分。 第一轮加难据此扩展工作流：把关键费率放进已签署的补充协议，加入跨月重复报销和另一个项目的干扰材料，并引入发票算术错误及部分付款。Agent 需要进一步区分原始开票金额、应纠正金额与实际已付款项。 第二次执行轨迹里，系统观察到 OCR 转换因命令参数问题多次中止，Agent 最终通过直接读取图片拿到了收据金额。第二轮修改就把必要证据放进没有文本层的扫描 PDF，要求 Agent 必须可靠完成转换与提取，同时增加与日期相关的费率、缺少凭证的申报和跨费率档位的天数上限扣减。 两轮之后，工作区文件数从 10 增至 21 ，设计的对账异常项从 3 增至 12 。更关键的是，这些异常项开始相互影响：提取、范围判断、费率计算与结算核对需要连成一套完整流程，才能得到一致的交付结果。 训练数据方面，团队使用 DeepSeek-V4-Flash 在合成环境中生成执行轨迹，筛选出 1.5K 条高分轨迹 ，对 Qwen3.6-35
