SkillsBench: Avaliando o Desempenho de Habilidades de Agentes em Tarefas Diversas
SkillsBench: Benchmarking How Well Agent Skills Work Across Diverse Tasks
February 13, 2026
Autores: 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
Resumo
As Habilidades de Agente são pacotes estruturados de conhecimento procedural que aumentam os agentes de LLM durante a inferência. Apesar da rápida adoção, não há uma forma padrão de medir se elas realmente ajudam. Apresentamos o SkillsBench, um benchmark com 86 tarefas em 11 domínios, emparelhadas com Habilidades curadas e verificadores determinísticos. Cada tarefa é avaliada sob três condições: sem Habilidades, com Habilidades curadas e com Habilidades autogeradas. Testamos 7 configurações de modelo de agente ao longo de 7.308 trajetórias. As Habilidades curadas aumentam a taxa média de aprovação em 16,2 pontos percentuais (pp), mas os efeitos variam amplamente por domínio (+4,5 pp para Engenharia de Software a +51,9 pp para Saúde) e 16 das 84 tarefas mostram deltas negativos. As Habilidades autogeradas não fornecem benefício em média, mostrando que os modelos não podem criar de forma confiável o conhecimento procedural do qual se beneficiam ao consumi-lo. Habilidades focadas com 2-3 módulos superam a documentação abrangente, e modelos menores com Habilidades podem equiparar-se a modelos maiores sem elas.
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.