SkillReducer：优化 LLM 代理技能以提高词元效率

基于 LLM 的 编码智能体 依赖于 \emph{skills}，即扩展代理功能的预打包指令集，但注入上下文窗口中的每个技能内容标记都会导致金钱成本和注意力稀释。为了了解这个问题的严重性，我们对 55,315 个公开可用的技能进行了大规模的实证研究，发现系统效率低下：26.4\% 完全缺乏路由描述，超过 60\% 的正文内容是不可操作的，参考文件每次调用可以注入数万个词元。受这些发现的启发，我们提出了 \textsc{SkillReducer}，一个两阶段优化框架。 Stage~1 通过压缩详细描述并通过对抗性增量调试生成缺失的描述来优化路由层。 Stage~2 通过分类驱动的分类和渐进式披露来重组技能主体，将可操作的核心规则与按需加载的补充内容分开，并通过 忠实性 检查和自我纠正反馈循环进行验证。根据 600 项技能和 SkillsBench 基准进行评估，\textsc{SkillReducer} 实现了 48\% 的描述压缩和 39\% 的正文压缩，同时将功能质量提高了 2.8\%，揭示了 \emph{少即是多} 效果，即删除非必要内容可减少上下文窗口中的干扰。这些好处在四个系列的五个模型中转移，平均保留率为 0.965，并推广到独立代理框架。