SkillsBench: Benchmarking zur Bewertung der Leistungsfähigkeit von Agenten-Fähigkeiten in verschiedenen Aufgabenbereichen
SkillsBench: Benchmarking How Well Agent Skills Work Across Diverse Tasks
February 13, 2026
papers.authors: Xiangyi Li, Wenbo Chen, Yimin Liu, Shenghan Zheng, Xiaokun Chen, Yifeng He, Yubo Li, Bingran You, Haotian Shen, Jiankai Sun, Shuyi Wang, Qunhong Zeng, Di Wang, Xuandong Zhao, Yuanli Wang, Roey Ben Chaim, Zonglin Di, Yipeng Gao, Junwei He, Yizhuo He, Liqiang Jing, Luyang Kong, Xin Lan, Jiachen Li, Songlin Li, Yijiang Li, Yueqian Lin, Xinyi Liu, Xuanqing Liu, Haoran Lyu, Ze Ma, Bowei Wang, Runhui Wang, Tianyu Wang, Wengao Ye, Yue Zhang, Hanwen Xing, Yiqi Xue, Steven Dillmann, Han-chung Lee
cs.AI
papers.abstract
Agent Skills sind strukturierte Pakete prozeduralen Wissens, die LLM-Agenten zur Inferenzzeit erweitern. Trotz rascher Verbreitung existiert kein standardisierter Weg, um zu messen, ob sie tatsächlich nützen. Wir stellen SkillsBench vor, einen Benchmark mit 86 Aufgaben aus 11 Domänen, kombiniert mit kuratierten Skills und deterministischen Verifizierern. Jede Aufgabe wird unter drei Bedingungen evaluiert: ohne Skills, mit kuratierten Skills und mit selbstgenerierten Skills. Wir testen 7 Agenten-Modell-Konfigurationen über 7.308 Trajektorien. Kuratierte Skills steigern die durchschnittliche Erfolgsrate um 16,2 Prozentpunkte (PP), die Effekte variieren jedoch stark nach Domäne (+4,5 PP für Softwareentwicklung bis +51,9 PP für Gesundheitswesen) und 16 von 84 Aufgaben zeigen negative Deltas. Selbstgenerierte Skills bringen im Durchschnitt keinen Nutzen, was zeigt, dass Modelle das prozedurale Wissen, von dessen Konsum sie profitieren, nicht zuverlässig selbst erstellen können. Fokussierte Skills mit 2–3 Modulen übertreffen umfassende Dokumentation, und kleinere Modelle mit Skills können mit größeren Modellen ohne Skills gleichziehen.
English
Agent Skills are structured packages of procedural knowledge that augment LLM agents at inference time. Despite rapid adoption, there is no standard way to measure whether they actually help. We present SkillsBench, a benchmark of 86 tasks across 11 domains paired with curated Skills and deterministic verifiers. Each task is evaluated under three conditions: no Skills, curated Skills, and self-generated Skills. We test 7 agent-model configurations over 7,308 trajectories. Curated Skills raise average pass rate by 16.2 percentage points(pp), but effects vary widely by domain (+4.5pp for Software Engineering to +51.9pp for Healthcare) and 16 of 84 tasks show negative deltas. Self-generated Skills provide no benefit on average, showing that models cannot reliably author the procedural knowledge they benefit from consuming. Focused Skills with 2--3 modules outperform comprehensive documentation, and smaller models with Skills can match larger models without them.