arXiv cs.AI· Shen Liu, Ze Zhou, Zhenguo Xu, Shaopu Wang, Yike Gao, Chunlei Wang·· 11 小时前AI 评分38
LeafSkill：为递归 LLM 智能体提供高效的叶子级动作接地
LeafSkill: Efficient Leaf-Level Action Grounding for Recursive LLM Agents
AI 导读
LeafSkill 是一个外部复用层，通过语义检索接地经验、将动作模板绑定到当前对象与可执行动作，并用 1.7B 轻量选择器决定采用绑定动作还是交回原智能体。
正文 · AI 翻译
摘要：递归式大语言模型（LLM）智能体通过分解、执行和环境反馈来解决长时程任务。然而，在生成一个原子子任务后，它们往往会再次调用同一个大模型，将一条熟悉的指令转化为可执行的动作。我们观察到，高层规划是任务特定的，而叶级动作落地会在不同任务间反复出现，并且可以对照环境允许的动作进行检查。我们提出 LeafSkill，一个外部复用层，它检索语义相关的落地经验，将动作模板绑定到当前对象和可允许的动作上，并使用一个轻量级的 1.7B 选择器来选择绑定后的动作，或将未改动的子任务交还给原始智能体。技能保留在模型参数之外，使冻结的选择器能够使用训练后新增的内容。在词汇和句法改写下，精确匹配无法检索到任何参考动作，而语义检索保留了 96.0% 和 97.0% 的候选覆盖率；冻结的选择器采用了 97.34% 的未见技能类型。在一个包含 200 个 Robotouille 任务的独立确认集上，LeafSkill 完成了 137 个任务，而 ReCAP 完成了 121 个（68.5% 对 60.5%，精确 McNemar p=.0259）。在两者均完成的 106 个任务上，它将 Qwen3.5-27B 的 token 数减少了 14.42%，调用次数减少了 14.08%。另一项独立的留出重复实验得到了一致的 9.0 个百分点成功率提升和 18.98% 的 token 减少。因此，可复用的叶级落地可以在不替代高层规划的情况下提高任务完成率，同时减少宿主模型的推理。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.32412 [cs.AI] |
| （或 arXiv:2610.32412v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.32412 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Shen Liu [查看邮箱]
[v1]
2026年10月23日星期五 09:38:15 UTC（837 KB）
来源：arXiv cs.AI · arxiv.org