论文
SkillsInjector：面向 LLM 智能体的动态技能上下文构建
SkillsInjector: Dynamic Skill Context Construction for LLM Agents
摘要
LLM 智能体现在依靠日益增长的技能库来处理复杂任务。然而，注入更多技能并不总能改善任务完成情况，甚至可能使其退化。现有方法仍把技能注入当作一个静态步骤：以固定标准挑选技能、预先固定预算、且不改动描述。我们认为这种静态处理会损害技能的效用，因为暴露哪些技能、纳入多少技能以及如何呈现它们，都会影响下游表现。我们提出 SkillsInjector，一种联合处理这些决策的两阶段自适应方法。首先，上下文规划器（context planner）学习以执行效果为依据的技能偏好，并为每个任务自适应地纳入一定数量的技能。随后，集合感知渲染器（set-aware renderer）根据所选描述与其共同注入的邻居之间的关系，定制其呈现方式。在 tau2-bench、SkillsBench 与 ALFWorld 上，SkillsInjector 取得最高分，分别领先最强基线 3.9、6.1 与 7.3 个百分点。消融研究表明，技能选择、自适应预算与集合感知渲染各自都对增益有贡献。这些结果表明，技能增强的智能体能从优化注入的上下文本身中获益。代码将在论文发表后发布。
