언어 에이전트(Language agents)는 과거의 경험으로부터 증류된 구조화된 절차적 산물인 extit{기술 (skills)}을 재사용함으로써 점점 더 발전하고 있습니다. 특히, extit{도메인 수준 (domain-level)} 및 extit{모델 생성 (model-generated)} 기술은 매우 유망합니다. 이러한 기술은 도메인 특화된 반복 절차를 인코딩함으로써 도메인 내에서 빠른 적응을 제공하며, 노동 집약적인 수작업을 넘어 확장될 수 있습니다. 그러나 추출 방법론이 계속해서 확산되고 있음에도 불구하고, extbf{경험 생성 (experience generation)}, extbf{기술 추출 (skill extraction)}, 그리고 extbf{기술 소비 (skill consumption)}에 이르는 전체 기술 생애주기(lifecycle)를 아우르는 포괄적인 연구가 부족하여, 이러한 기술이 실제로 작동하는지, 언제 작동하는지, 그리고 무엇이 성공이나 실패를 결정하는지에 대한 이해는 여전히 제한적입니다. 이러한 격차를 해소하기 위해, 우리는 5개의 다양한 에이전트 작업 도메인을 아우르며 추출기(extractor)와 대상 에이전트(target agent) 전반에 걸쳐 체계적인 실험 결과를 제공하는 효용 기반 평가 프레임워크(utility-grounded evaluation framework)를 구축합니다. 연구 결과, 모델 생성 기술은 평균적으로 유익하지만 무시할 수 없는 수준의 부정적 전이(negative transfer)를 보이며, 추출기와 대상 모델 모두 균일하게 동작하지 않는다는 것을 발견했습니다. 어떤 모델은 강력한 추출기이면서 약한 소비자일 수 있고, 그 반대일 수도 있으며, 기술의 효용은 모델의 규모(scale)나 베이스라인 작업의 강도와는 독립적입니다. 이러한 패턴을 설명하기 위해, 우리는 경험의 구성이 기술의 품질을 어떻게 형성하는지, 어떤 특성이 유용한 기술을 특징짓는지, 그리고 동일한 기술이 서로 다른 소비자에게 어떻게 전이되는지를 분석하며 각 생애주기 단계를 심층적으로 해부합니다. 마지막으로, 우리는 이러한 발견을 실제 효용과 연결된 특징을 향해 기술 추출을 안내하는 구체적인 extit{메타 기술 (meta-skill)}로 변환하며, 이는 도메인 전반에서 기술 품질을 일관되게 향상시키고 부정적 전이를 실질적으로 감소시킵니다.