M-SQE：面向 Agent 技能多语言平等化的技能质量评估

一篇 arXiv 论文指出，社区维护的 Agent 技能库高度以英语为中心，Swahili、Hindi 等低资源语言缺乏本地语言技能内容，检索常返回与查询语言不一致的技能，导致准确率和召回率下降。作者提出 M-SQE，在检索后从 Theory 视图评估技能内在质量、从 Action 视图评估任务可用性，再按领域合成最终分数。实验覆盖通用、工具使用和文化三类技能场景，成功率高于已有基线至少 3.5 分，Hindi 提升 12.9pp、Swahili 提升 5.6pp。

此前 Agent 技能生态主要关注技能总量与检索相关性，语言不平等被视为边缘问题。该工作把“检索到的技能是否值得用”独立为质量评估环节，并给出跨语言、跨文化区域的量化结果，说明多语言 Agent 部署的瓶颈可能不在检索本身，而在候选质量不可靠。

仅靠相关性排序会把“相关但不可用”的候选排在前面，尤其对合成出的本地语言技能。M-SQE 在检索后增加一层质量评分：Theory 视图判断技能本身是否完整正确，Action 视图判断其在任务中能否真正执行，两者按领域条件加权为最终分数，从而在相关性相近时优先选择可执行技能。

对做 Agent 产品或内部工具链的团队，这意味着技能库不能只按语义相似度召回，需要在检索与执行之间加入质量门控；对多语言市场，可优先补足低资源语言的技能评估而非盲目翻译或合成技能，以降低错误执行带来的调试与信任成本。

• 在 Agent 技能检索链路中加入检索后质量评分模块，先按领域区分通用、工具与文化任务再排序。
• 为低资源语言建立技能质量标注与评估集，优先覆盖 Hindi、Swahili 等当前无本地技能内容的语种。
• 对合成生成的本地语言技能做上线前质量筛查，避免相关但不可执行的候选进入执行环节。
• 向企业客户提供多语言 Agent 技能质量报告，量化不同语种下的任务成功率差异。

• M-SQE 的 Theory 与 Action 两个视图具体使用什么模型或信号，证据未说明。
• +3.5 分等提升是在何种基准、任务规模和评测协议下取得，证据未展开。
• 该方法在真实生产流量和更长技能文档上的成本与延迟表现尚不明确。
• 文化区域的划分标准及六区域覆盖范围在证据中未给出细节。