同一把钥匙能不能开锁看门

83 个技能包上了一场大考，结果给技能热泼了盆冷水。论文研究的是智能合约审计里的智能体技能，地址在 arxiv.org/abs/2609.29454 。 样本从三处收来。技能市场一处，GitHub 仓库一处，学术基准 SkillsBench 一处，凑齐 83 个独立的 SKILL.md。场景选在合约安全审计，七种智能体加模型的组合在 EVMBench 上跑了一轮。 关键发现一行就够：技能有没有用，看模型，不看框架。同一套 Claude Code、Codex、OpenCode，把后端统一换成偏弱的 DeepSeek-V4-Pro，三家的技能效果齐刷刷转负。负五点九到负九点四，彼此差距不到一成。 反过来再看。同一个 Codex 命令行，接 GPT-5.5 是正二十二点八，接 DeepSeek-V4-Pro 是负五点九。同一把钥匙，开不开锁取决于门。技能是钥匙，模型是门，门太薄，钥匙再好也转不动。 转述的人也提了研究的毛病，样本规模和搭配方式都可能影响结论，模型和框架的适配度本身就是变量。这话我认同，单篇论文下定论还早。但方向的启示已经够用，装技能包之前先看看自家模型的斤两，别指望说明书能替引擎补课。 技能这条线到这也补上一块实证。前面装了一周技能的人，正好拿自己的账单对照，效果差距是不是也这么分明。arxiv 原文在上面，自己核。