【第694期】SkillComposer：大语言模型智能体的生成式技能组合方案

Seventy3 是一档借助 NotebookLM 解读前沿论文的播客——不是念摘要，也不是泛泛而谈，而是让 AI 帮你把论文掰开揉碎，说人话。我们蹲在人工智能、大模型、机器人算法、crypto 这几个领域，每期挑一篇值得关注的工作，用对话的方式聊给你听。你可以在通勤路上听，做实验的时候听，也可以当背景音放着，让新知识自然地长进脑子里。

如果你正在做有意思的研究，想让更多人看到——不管你是博士生、独立研究者还是实验室的博士后——把论文发给我们，我们帮你用 AI 做一期深度解读，让你的工作被更多同路人发现。

联系小助手微信：seventy3_podcast（加群/投稿论文）

今天的这篇的主题是：

Generative Skill Composition for LLM Agents

Summary

近期的大语言模型 Agent（LLM agents）得益于技能（Skills）来解决复杂任务。技能封装了执行特定任务（例如搭建沙箱环境、运行测试套件或跨多个文件重构函数）的模块化程序性知识与指令包。随着技能库不断扩大并在不同任务和领域间得以复用，选择合适的技能组合（skill composition）已成为核心瓶颈。

现有方法主要分为两类：一类是将 Agent 的推理完全暴露给整个技能集；另一类是通过嵌入向量（embeddings）或基于 LLM 的重排序器（rerankers）来进行技能检索。这两类方法虽然都提供了有价值的见解，但它们忽略了技能组合的结构化特性——这是一种关于“选用哪些技能、使用多少个以及以何种顺序执行”的联合决策，而这三个维度是无法解耦的。

我们将此形式化为结构化技能组合（structured skill composition）：给定一项任务和一个技能库，预测出一个可执行的技能计划，该计划联合指定了激活的子集、数量和执行顺序。

我们提出了 SkillComposer，它将结构化技能组合实例化为基于任务条件的技能序列预测。SkillComposer 在技能标识符（skill identifiers）上使用受约束的自回归解码器，从而使子集、数量和顺序在单次解码过程中共同产生，并且顺次发生的技能之间的依赖关系能够被自然地捕获。

我们从真实的人工整理技能库中构建了一个“任务-组合”对的训练集。随后，我们从两个维度对 SkillComposer 进行了评估：留出测试集上的组合质量，以及在 SkillsBench 上跨两个生产级编程 Agent 的下游任务成功率。在 GPT-5.2-Codex 和 Gemini-3-Pro-Preview 上，SkillComposer 相较于无技能基线（no-skill baseline）将通过率分别提升了 +23.1 和 +18.2 个百分点，不仅超越了 Top-3 检索，还在更低的 Prompt Token 成本下达到了黄金技能检索（gold-skill retrieval）的性能上限。

原文链接：https://arxiv.org/abs/2606.32025