本文指出当前自我进化的技能库（如 AutoSkills、Hermes Agent）在自动生成编排建议时仅关注效率提升，而忽略了安全性的关键缺口。作者认为，技能（Skill）描述的是代理应如何行为，而策略（Policy）决定了哪些行为被允许成为实际行动。现有的技能格式（如 Markdown 和脚本）仅覆盖了前者，后者则由模型自行推断。当技能被错误调用时，可能产生解锁房门或转账等严重后果。虽然已有研究分别记录了恶意技能危害云软件、以及越狱大语言模型控制的机器人造成物理伤害，但两者的交叉——恶意代理技能导致物理伤害——尚未被报告。作者将此类问题命名为“借用权威”（Borrowed Authority）：技能格式未给接收代理提供类型化的方式拒绝代理间的权限声明，因此恶意或误用的技能可通过附加权限请求来驱动执行。为解决这一问题，作者提出边缘技能守卫（Edge Skillguard），这是一种位于技能工件内部的类型化权威层，与工作流引擎置于工具之间的方式不同，它通过世界状态和传感器证据进行守卫。在实时边缘控制平面测试台上，该守卫在五个攻击变体中拒绝了60/60的借用权威请求，且未阻塞正常请求；在5倍规模及跨主机（Tailscale mesh）环境下结论依然成立。实验结果建议，高风险技能应将类型化调用策略与程序性知识打包，使物理行动依赖于机器可校验的证据，而非对等代理的声明。