arXiv cs.AI· Jin Ye, Yifan Jiang, Lan-zhe Guo·· 12 小时前AI 评分38
SkillBrowser：面向可扩展技能智能体的选择性技能暴露框架
SkillBrowser: Selective Skill Exposure for Scalable Skill-Using Agents
AI 导读
SkillBrowser 是一个由 Meta-Skill 管理的框架，让 LLM 智能体识别当前能力需求、构造针对性查询并按需选择性加载技能。在六个 SRA-Bench 子集和五个 LLM 上，其聚合准确率优于静态检索和基于 LLM 的选择方法，并缓解了已可解实例上的准确率下降。局限在于有用技能调用不足和额外延迟，收益仍因模型和任务而异。
正文 · AI 翻译
摘要：大型语言模型智能体日益依赖技能来扩展其在复杂任务中的能力。然而，可扩展的技能使用需要选择性技能暴露（Selective Skill Exposure，SSE）：在需要时提供相关的过程性内容，同时避免可能干扰推理的不必要暴露。现有范式在互补的方面存在不足。渐进式披露会为不断增长的技能库暴露元数据，引入上下文污染；检索限制了目录暴露，但基于初始任务查询的静态检索可能与推理过程中出现的能力需求不匹配，并且仍可能注入不必要的技能。我们提出 SkillBrowser，一个由元技能（Meta-Skill）管理的框架，使智能体能够识别当前能力需求、制定有针对性的查询，并按需选择性地加载技能。在六个 SRA-Bench 子集和五个 LLM 上，SkillBrowser 相比静态检索和基于 LLM 的选择提升了总体准确率，包括多步工具使用，并缓解了在已可解实例上的准确率下降。收益仍取决于模型和任务，有用技能调用不足和额外延迟是主要局限。这些结果证明了由元技能管理的 SSE 用于可扩展技能库的可行性。
| 评论： | 23 页，3 幅图。提交至 ACL Rolling Review，2026 年 10 月 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.23554 [cs.AI] |
| （或 arXiv:2610.23554v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.23554 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jin Ye [查看邮箱]
[v1]
2026 年 10 月 16 日星期五 14:44:01 UTC（1,275 KB）
来源：arXiv cs.AI · arxiv.org