SkillLens：自适应多粒度技能复用，让LLM智能体更高效
大型语言模型（LLM）智能体在执行复杂任务时，常依赖“技能库”来复用过去学到的经验。然而，现有技能库通常将技能视为扁平的、单一粒度的提示块，这导致了一个两难困境：粗粒度的技能可能引入无关甚至误导性的上下文，而重写整个技能又成本高昂且往往不必要。为了解决这一问题，来自澳大利亚的研究团队提出了 SkillLens——一种层级化技能进化框架，它通过多粒度技能复用，在保持高效的同时显著提升了智能体的任务成功率。
核心创新：四层技能图与混合粒度检索
SkillLens 的核心在于将技能组织成一个 四层图结构：策略（Policies）、策略（Strategies）、流程（Procedures） 和 原语（Primitives）。这四层由抽象到具体，形成了一个层次分明的技能图谱。当面对新任务时，SkillLens 首先检索语义相关的“技能种子”，然后通过度校正随机游走在技能图上扩展候选节点。接着，一个验证器会决定每个被访问的技能单元是否应被直接接受、分解、重写或跳过。这种机制允许智能体直接复用兼容的子技能，仅对局部不匹配的部分进行适应性调整，从而在相关性与成本之间取得平衡。
理论保证与实验验证
研究团队从理论上证明，在稀疏不匹配假设下，混合粒度适应的成本是次线性的，并且进化更新规则能单调提升验证目标直至局部最优。在 MuLocbench（缺陷定位） 和 ALFWorld（具身任务） 两个基准测试中，SkillLens 均显著优于强基线方法：在缺陷定位任务上，Acc@1 提升高达 6.31 个百分点；在 ALFWorld 中，智能体成功率从 45.00% 提升至 51.31%。
行业意义与未来展望
SkillLens 的提出，为 LLM 智能体的技能复用提供了一种更精细、更经济的方案。它不再将技能视为不可分割的“黑盒”，而是允许在多个粒度上灵活调整，这类似于人类学习中“举一反三”的能力——保留核心经验，替换不适用的细节。未来，这一框架有望应用于机器人控制、代码生成、对话系统等需要快速适应新场景的领域，推动 LLM 智能体从“死记硬背”走向“灵活变通”。