【第674期】SkillWeaver：组合式 LLM 代理技能路由框架

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： Compositional Skill Routing for LLM Agents: Decompose, Retrieve, and Compose Summary LLM Agent 越来越依赖外部技能（即包含重用工具规范的定义），但现实世界中的任务通常需要组合多个技能，而不仅仅是选择单个技能。我们将该问题形式化为组合式技能路由（Compositional Skill Routing）问题：给定一个复杂的用户查询和一个庞大的技能库，将查询拆解为原子子任务，为每个子任务检索合适的技能，并构建出一个可执行的规划。 我们提出了 SkillWeaver，这是一个结合了 LLM 任务分解器、带 FAISS 索引的双编码器（bi-encoder）技能检索器以及依赖感知 DAG 规划器的“拆解-检索-组合”框架。为了支持评估，我们推出了 CompSkillBench，这是一个包含 300 个组合式查询的基准测试，涵盖来自公开 MCP 生态系统、跨越 24 个功能类别的 2,209 个真实 MCP 服务端技能。 我们的实验表明，任务分解的质量是主要瓶颈：标准 LLM 分解在步骤层面的类别召回率（category recall）仅达到 34.2%。为了解决这个问题，我们提出了迭代式技能感知分解（Iterative Skill-Aware Decomposition，简称 SAD），这是一种检索增强的反馈循环，能够迭代地将分解过程与可用技能进行对齐。SAD 在单次迭代中将分解准确率从 51.0% 提升至 67.7%（相对提升 +32.7%，Wilcoxon 检验 p<10−6）；基于分解准确性（DA）的条件分析证实，正确的粒度是实现有效检索的前提条件（当 DA=1 时，CatR@1 从 34% 上升至 41%）。 SkillWeaver 将上下文窗口的消耗降低了 99% 以上，迁移实验也证实了其泛化能力（即使检索池中缺失目标类别，相对 DA 收益仍达到了 +35.6%）。 原文链接：https://arxiv.org/abs/2606.18051 前往小宇宙评论区与主播互动