摘要： 围绕可复用技能（即包含元数据、自然语言指令、代码、工具、参考资料和操作工作流的多模态包）的 LLM 智能体生态系统正在迅速发展。随着技能成为市场商品，审计其复用已不再是普通的代码克隆检测问题。现有检测器主要针对单模态源代码或整体包相似性，但技能复用证据分散在作者撰写的文本、实现片段和操作结构中。因此，它们可能会遗漏仅保留技能某一部分的复用行为。我们提出了 SKILLTRACE，一个用于 LLM 智能体技能复用的多轨迹来源审计框架。SKILLTRACE 提取三条来源轨迹：表达轨迹、实现轨迹和操作轨迹。它将操作轨迹表示为技能操作图（SOG），该图捕获激活、流程和资源流结构。LLM 仅在摄取时辅助一次操作轨迹的提取；在审计时，SKILLTRACE 以确定性方式比较缓存的轨迹，针对同功能严格负样本校准每条轨迹，并报告哪条轨迹支持复用决策。在 SKILLTRACE-BENCH 基准上，包含 100 个市场锚点的 820 个转换复用正样本和 751 个负对照，SKILLTRACE 实现了 AUROC 0.938 和 F1 0.898。一项包含 36，446 个技能的野外审计进一步表明，基于轨迹归因的证据能够产生比仓库级基线更具可操作性的复用审查队列。