시나리오 기반 테스팅에서 위험 시나리오의 원인을 개방형으로 귀인(attribution)하는 문제를 해결하기 위해, 뉴로-심볼릭(neuro-symbolic) 프레임워크인 NeSy-CSA를 제안한다. 이 프레임워크는 의존성 인식 증거 그래프와 심볼릭-신경망 하이브리드 추론을 통해 귀인 과정을 구조화·추적 가능하게 만들며, 4개 의사결정 환경에서 LLM 기반 베이스라인 대비 귀인 효과성을 최대 18.32% 향상시켰다.
에이전트 스킬은 대규모 언어 모델(LLM) 에이전트를 확장하는 실용적인 방법이 되었지만, 성장하는 스킬 생태계에는 여전히 스킬의 배포 가치를 판단할 신뢰할 만한 방법이 부족하다. 기존 평가 방법은 여전히 대부분 고정된 태스크 스위트에 의존하여, 사전 정의된 태스크와 환경에서의 성능을 통해 스킬을 평가한다. 스킬 마켓플레이스가 확장됨에 따라 이 패러다임은 부적절해진다. 고정 스위트는 스킬의 한계 기여를 백본 강도와 혼동할 수 있으며, 태스크가 스킬의 의도된 범위를 벗어날 때 그 가치를 놓칠 수 있다. 우리는 임의의 에이전트 스킬을 입력으로 받아 유용성, 효율성/비용, 안전성을 아우르는 포괄적이고 다차원적인 평가 보고서를 자동 생성하는 스킬 중심 평가를 위한 end-to-end 프레임워크인 SkillAudit을 제안한다. SkillAudit은 스킬 아티팩트 자체에 초점을 맞추고, 스킬 패키지로부터 직접 역량 정렬형 평가 태스크를 구성한다. 생성된 태스크는 격리된 샌드박스 환경에서 수행되어 실행 증거를 수집하며, LLM 기반 판정을 통한 자동 검사가 뒤따라 감사 가능한 결과를 생성한다. 에이전트 스킬을 분석하기 위해, 우리는 유용성과 효율성/비용을 측정하는 기준선 비교 원칙을 제안하고, 안전성 위험을 평가하기 위해 정적 의미 분석과 동적 런타임 검증을 결합한 2단계 탐지 패러다임을 도입한다. 23개 직업군에 걸친 상위 순위의 실제 스킬 패키지를 스캔한 결과, 7% 이상의 스킬이 위험 상태에 있는 것으로 나타났다.