渐进式技能发现作为工具使用LLM Agent的访问控制：通过角色限定能力交付实现结构性治理

当暴露于庞大的企业工具集时，大语言模型（LLM）Agent难以安全扩展。让Agent访问每个内部工具会导致上下文窗口过大、工具选择退化以及严重的治理漏洞——因为仅以提示定义的系统策略仍是概率性建议而非硬约束。现有缓解措施（如多Agent领域委派）分散了审计日志，且无法保证跨会话的策略合规。我们提出skilder，一个将能力打包为角色的框架：角色是技能、工具与指令的捆绑，连同约束它们的限制。Agent从最小角色目录开始，学习任务所需的角色，并通过单一MCP服务器接收每个角色的技能、指令与工具。由于工具只在已学习的技能内到达Agent，同一服务器可以确定性地强制执行所学内容的范围。我们在13个任务上用六个模型（每个10次运行）对比评估skilder与扁平上下文工具选择及多Agent编排。结果显示，当模型完成发现并发出受治理的调用时，skilder模拟授权层强制执行了治理边界：没有任何未授权工具调用或参数违规（如超出支出限额）被执行。总任务通过率也反映各模型是否遵循发现协议并满足回复质量检查；那些失误并非授权失败。此外，通过允许Agent在任务中途动态获取跨角色能力，skilder在提供系统级硬性执行的同时保留了问题求解的灵活性。