SkillLens：为具有成本效益的 LLM 代理提供自适应多粒度技能重用

arXiv:2605.08386v1 公告类型：新 摘要：技能库已成为 LLM 代理跨任务重用程序经验的实用方法。然而，现有系统通常将技能视为平面、单一分辨率的提示块。这就造成了相关性和成本之间的紧张关系：注入粗略的技能可能会引入不相关或误导性的背景，而重写整个技能的成本高昂，而且通常是不必要的。我们提出了 SkillLens，这是一个分层技能演化框架，它将技能组织成策略、策略、过程和原语的四层图，并以混合粒度检索它们。给定一个任务，SkillLens 首先检索语义相关的技能种子，通过在技能图上进行程度校正的随机游走来扩展它们，然后使用验证器来决定是否应该接受、分解、重写或跳过每个访问的单元。这使得代理能够直接重用兼容的子​​技能，同时仅适应本地不匹配的组件。为了随着时间的推移改进系统，SkillLens 进一步细化多粒度技能和验证器，以改进其路由决策。我们提供的理论分析表明，混合粒度自适应在稀疏失配假设下会产生次线性成本，并且进化更新规则单调改进验证目标直到局部最优。在 MuLocbench 和 ALFWorld 中，SkillLens 持续改进基于强大技能的基线，在错误定位方面实现了高达 6.31 个百分点的 Acc@1 增益，并将代理成功率从 45.00% 提高到 51.31%。