SkillBrowser 提出元技能管理的按需技能加载框架
论文AI 评分 66/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对大模型智能体在技能库扩大后如何按需暴露技能的问题，论文提出 SkillBrowser：由元技能判断当前能力需求、生成针对性查询，再按需加载技能。作者指出，渐进式披露会因技能库增长带来上下文污染，而从初始任务查询出发的静态检索可能与推理过程中新出现的需求不匹配，并可能注入无用技能。在六个 SRA-Bench 子集和五个大模型上，该方法的聚合准确率高于静态检索和基于 LLM 的选择，多步工具使用场景也包含在内，并缓解了原本可解实例上的准确率下降。作者同时说明，收益随模型和任务而异，有用技能调用不足与额外延迟是主要局限。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载问题出在技能怎么暴露
论文把「选择性技能暴露」作为可扩展技能使用的前提：需要在合适的时候提供相关的过程性内容，同时避免不必要的暴露干扰推理。作者认为现有两类做法各有短板。渐进式披露会随着技能库增长不断暴露元数据，造成上下文污染；检索式做法虽然限制了目录暴露范围，但检索查询来自任务初始提问，是静态的，可能与推理过程中才浮现的能力需求错位，并且仍可能把用不上的技能塞进上下文。这两点构成了 SkillBrowser 要解决的核心矛盾。
元技能如何按需加载
SkillBrowser 的思路是在智能体内部设一个元技能层，由它先判断当前需要什么能力，再据此组织有针对性的查询，最后只加载匹配的技能。与一次性检索不同，查询发生在推理推进过程中，因此可以跟随任务阶段变化调整。论文将其定位为面向可扩展技能仓库的元技能管理式选择性暴露方案，并在摘要中给出该方向的可行性结论。
评测结果与边界
实验覆盖六个 SRA-Bench 子集和五个大模型。SkillBrowser 的聚合准确率超过静态检索和基于 LLM 的技能选择两种基线，多步工具使用场景也包含在内；同时在原本就能解出的实例上，准确率下降得到缓解。作者没有把结论说满：收益依模型和任务而变，仍存在有用技能调用不足的问题，并会带来额外延迟。论文篇幅 23 页、含 3 张图，2026 年 10 月投稿至 ACL Rolling Review。
为什么值得看
技能库规模化后如何避免上下文污染与检索错配，是智能体工程的实际痛点，文中给出了可对比的评测结果与明确局限。
大模型智能体论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。