SkillSmith：将智能体技能编译为边界引导的运行时接口

近年来，技能（skill）已在各类基于大语言模型（LLM）的智能体系统中得到广泛采用。在现有框架中，技能一旦与运行时任务匹配，通常便作为上下文指导注入智能体推理循环，从而提供专门化的任务求解能力。我们发现这种执行范式引入了两类主要冗余：无关上下文注入，以及重复的技能特定推理与规划。为此，我们提出SkillSmith，一个边界优先的编译器-运行时框架，将技能包离线编译为最小可执行接口。通过从技能中提取细粒度操作边界，SkillSmith使智能体在运行时仅动态访问和执行相关组件，从而将不必要的上下文注入与冗余推理开销降到最低。在SkillsBench基准的评估中，与使用原始技能相比，SkillSmith将求解阶段token用量降低57.44%，思考迭代次数降低42.99%，求解时间降低50.57%（提速2.02倍），与token成比例的货币成本降低57.44%。此外，由更强模型生成的编译产物可被更小或更高效的运行时模型复用，在原始技能解读失败的情形下提升任务准确率。源代码与数据可在 https://github.com/AetherHeart-AI/Aeloon 获取。