LLM 代理系统中技能的缩放定律

随着代理系统的扩展，技能积累到大型可重用库中，但它们的扩展规律仍然知之甚少。通过 15 个前沿 LLM、1,141 种实际技能以及超过 300 万个路由或执行决策，我们确定了两个耦合法则。路由法则：单步路由精度随库大小呈对数衰减（所有模型为 $R^2{>}0.97$），错误从局部技能竞争发展到跨族漂移，并被过于笼统的“黑洞技能”捕获。执行律：在状态实现之前，联合路由近似为乘法，而正确的执行可以将困难的下游决策改善约$4{\times}$。单个参数，路由对数衰减斜率 $b$，将两个定律结合起来：路由端拟合预测跨模型的执行端救援，表明相同的库属性控制执行前崩溃和下游可恢复性。这些法律是可操作的：法律引导的优化将保留路由的准确性从 71.3% 提高到 91.7%，将劫持率从 22.4% 减少到 4.1%，并定向转移到下游 ClawBench 和 ClawMark 执行设置，将 ClawBench 上的平均通过率从 49.3% 提高到 61.6%，将 ClawMark 上的平均通过率从 28.4% 提高到 34.5%。这些结果表明，代理性能不仅取决于模型能力，还取决于技能库的结构、粒度和公开策略。