명시적인 기술 라이브러리(skill libraries)는 컴퓨터를 사용하는 에이전트(computer-using agents)를 검사하기 더 쉽게 만들지만, 이러한 라이브러리를 상호작용 데이터로부터 다운스트림 정책(downstream policies)을 개선하는 방식으로 마이닝할 수 있는지 여부는 여전히 불분명합니다. 우리는 GUI 궤적(trajectories)을 세분화하고, 세그먼트를 후보 기술(candidate skills)로 클러스터링하며, 결과물인 어노테이션(annotations)으로부터 기술 인식 정책(skill-aware policy)을 학습시키는 3단계 파이프라인을 통해 이 문제를 연구합니다. 마이닝된 클러스터들은 소스 벤치마크에서 판독 가능합니다: 8개 클러스터 중 5개가 InteraSkill Workflows 레이블에 대해 최소 0.95의 순도(purity)를 보였습니다. 그러나 판독 가능성이 전이(transfer)를 의미하지는 않습니다. GRPO는 IW 기술 단계(skill-step) 정확도를 18.5%에서 20.5%로 향상시키는 데 그쳤고, BrowseComp+를 본질적으로 변화시키지 못했으며, 주요 소스 도메인 지표에서 사소한 빈도 사전 확률(frequency priors)보다 성능이 낮았습니다. 따라서 우리는 이 방법을 진단 연구(diagnostic study)로 제시합니다: 궤적 마이닝(trajectory mining)은 검사 가능한 기술 구조를 드러낼 수 있지만, 현재의 경계 탐지기(boundary detector), 순서 없는 세그먼트 표현(orderless segment representation), 그리고 오프라인 보상 모델(offline reward model)은 신뢰할 수 있는 교차 도메인 정책 개선을 위해서는 불충분합니다.