장기적(Long-horizon) LLM 에이전트들은 재사용 가능한 경험이 될 수 있는 흔적을 남기지만, 가공되지 않은 궤적(raw trajectories)은 노이즈가 많고 관리하기 어렵습니다. 우리는 에이전트 기술(Agent Skills)을 실행 가능한 스크립트와 절차에 대한 비실행형 가이드(non-executable guidance)를 결합한 경험 스키마(experience schema)로 취급합니다. 그러나 개방형 기술 생태계에는 중복되고, 불균형하며, 환경에 민감한 산출물들이 포함되어 있으며, 무분별한 업데이트는 향후의 컨텍스트(context)를 오염시킬 수 있습니다. 우리는 수집과 추천에서 진화에 이르는 에이전트 기술(Agent Skills)을 위한 생애주기 거버넌스(lifecycle-governance) 프레임워크인 SkillsVote를 제시합니다. SkillsVote는 환경 요구사항, 품질 및 검증 가능성을 위해 백만 단위 규모의 오픈 소스 코퍼스(corpus)를 프로파일링한 다음, 검증 가능한 기술을 위한 태스크(tasks)를 합성합니다. 실행 전, SkillsVote는 구조화된 기술 라이브러리(skill library)에 대해 에이전트 방식의 라이브러리 검색(agentic library search)을 수행하여 지침적 기술 컨텍스트(instructional skill context)를 노출합니다. 실행 후에는 궤적(trajectories)을 기술과 연결된 하위 태스크(subtasks)로 분해하고, 결과를 기술 사용, 에이전트 탐색, 환경 및 결과 신호(result signals)의 기여도로 할당하며, 증거 기반 게이트(evidence-gated) 업데이트를 통해 성공적인 재사용 가능한 발견만을 수용합니다. 평가 결과, 오프라인 진화(offline evolution)는 Terminal-Bench 2.0에서 GPT-5.2의 성능을 최대 7.9 pp 향상시켰으며, 온라인 진화(online evolution)는 SWE-Bench Pro를 최대 2.6 pp 향상시켰습니다. 전반적으로, 시스템이 노출, 기여(credit), 보존을 제어할 때 관리되는 외부 기술 라이브러리는 모델 업데이트 없이도 고정된(frozen) 에이전트의 성능을 향상시킬 수 있습니다.