LLM Agent 隐式技能路由失效研究
评估技能库扩展时 LLM Agent 加载相关技能的退化现象。
为什么重要
为扩展型 Agent 技能库的协议设计和评测提供了失效证据。
阅读原文arxiv.org
AI 解读（根据原文生成）
这篇论文研究可复用技能机制在 LLM Agent 中的可扩展性问题。作者固定 SkillsBench 任务及其 golden skills，同时不断加入无关技能，发现出现“skill routing collapse”：相关技能仍可用，但 Agent 越来越少加载技能甚至不加载。加入 1,000 个无关技能时，loaded-skill recall 从 73.6% 降至 27.4%，zero-load rate 从 9.3% 升至 51.6%；而同一技能库上的显式选择保持 73.9% recall。论文还分析了描述语义干扰和技能选择与任务执行竞争带来的指令干扰，并评估显式预选择的覆盖率与延迟权衡。论文可在 arXiv 获取。
要点（AI 据原文整理，数字均已与原文核对）
- With 1,000 irrelevant skills, loaded-skill recall falls from 73.6% to 27.4% and the zero-load rate rises from 9.3% to 51.6%.
- Explicit selection from the same library retains 73.9% recall.
- Masking only the descriptions of irrelevant skills largely restores skill loading.
- Explicitly asking agents to plan skill use still yields lower recall than preselection.
- Authors: Jinlin Liu, Wei Chen, Xiaojin Zhang.