SkillBrew：LLM 代理技能库的多目标管理

检索增强型 LLM 智能体越来越依赖于策划的技能库：指导复杂任务决策的可重用文本原则的集合。现有的方法通常以仅附加的方式扩展这些库，不断添加新技能，而不删除冗余、过时或有害的技能，从而导致存储库效率低下且管理不善。在本文中，我们将技能库管理制定为一个受约束的多目标问题：理想的技能库必须对代理有用，内容多样化，并提供良好的查询分布覆盖范围。为此，我们引入了 SkillBrew，这是一个多目标管理框架，它将技能库管理形式化为效用约束下的帕累托感知优化，并通过双层提议然后验证循环来解决它。我们根据两个公共基准评估我们的方法。我们的研究结果表明，将技能库视为有原则的管理对象，而不是不断增长的仅附加日志，是构建自我改进的 LLM 代理的重要一步。