SkillPager：按查询检索技能文档内的语义节点

基于技能的 LLM 代理越来越依赖于冗长的流程文档，但完整的文档提示会浪费词元并稀释对执行至关重要的信息。我们将此设置研究为技能内检索，其目标是根据给定的查询从已知技能文档中选择最小的、足以执行的上下文。我们提出了 SkillPager，一个两阶段框架，它将每个 Markdown 技能离线解析为类型化语义节点，并利用最大边际相关性 (MMR) 在线执行全局、查询条件节点选择。在 395 项技能和 1,975 条查询的基准上，SkillPager 实现了 78.89% 的 LLM 判断上下文充分性，而详尽的完整文档基准为 82.23%，同时将提示标记减少了 47.04%。粒度消融表明，将相同的检索算法应用于原始固定长度块达到了 81.77% 的充足性，但词元成本增加了 28.81%，这表明效率增益是由带类型的语义粒度驱动的，而不是单独由检索算法驱动。在基于图的基线中，SkillPager 的表现优于最强的基线 12.16%。进一步的消融表明，当保留在候选池中并自适应选择而不是通过静态启发式删除时，支持内容是最有效的。这些结果将类型化文档内检索视为基于技能的代理的一个独特的访问问题。