语言模型代理越来越依赖 skill（可复用的过程知识）来进行推理、工具使用和交互。已有工作关注 skill 的获取、检索、压缩或组合，但往往假设一旦选定 skill，其与代理的接口是固定的。我们指出，这忽略了 skill 实用性的关键来源：相同的 skill 在不同的呈现方式下可能帮助、分散注意力或误导。
为此我们提出 SkillAlign，一个与提供者无关的框架。它将候选 skill 表示为多视图的过程卡片，并通过多种曝光接口渲染，包括完整指令、提示、压缩摘要、工作流或不曝光。这样可以在任务、代理和候选 skill 固定的前提下，仅改变曝光接口进行反事实评估。
在 ALFWorld 和 SkillsBench 两套基准上实验表明，曝光形式对任务成功率和渲染上下文成本有显著影响；紧凑的 top‑k 曝光甚至能超越全库注入的效果。进一步的基于回放的策略学习分析显示，适配性的曝光包含可学习信号，但仍远未达到最优选择。
我们的结果提示，使用 skill 增强的代理应当同时优化 使用哪些 skill 与 如何呈现这些 skill 两个维度。
点评