LLM 代理的组合技能路由：分解、检索和组合

LLM 代理越来越依赖外部技能（可重用的工具规范），但现实世界的任务通常需要组合多种技能，而不仅仅是选择一种技能。我们将其形式化为组合技能路由问题：给定复杂的用户查询和大型技能库，将查询分解为原子子任务，为每个子任务检索适当的技能，并编写可执行计划。我们提出了 SkillWeaver，一个分解-检索-组合框架，结合了 LLM 任务分解器、带有 FAISS 索引的双编码器技能 检索器 和依赖感知 DAG 规划器。为了支持评估，我们引入了 CompSkillBench，这是一个针对 2,209 个真实 MCP 服务器技能的 300 个组合查询的基准，涵盖 24 个功能类别，源自公共 MCP 生态系统。我们的实验表明，任务分解质量是主要瓶颈：标准 LLM 分解在步骤级别仅达到 34.2% 的类别召回率。为了解决这个问题，我们提出了迭代技能感知分解（SAD），这是一种检索增强的反馈循环，可以迭代地将分解与可用技能对齐。 SAD 在单次迭代中将分解精度从 51.0% 提高到 67.7% (+32.7%, Wilcoxon p < 10^-6)； DA 条件分析证实，正确的粒度是有效检索的先决条件（当 DA=1 时，CatR@1 从 34% 上升到 41%）。 SkillWeaver 将上下文窗口消耗减少了 99% 以上，并且转移实验证实了泛化性（即使检索池中不存在目标类别，相对 DA 增益也增加了 35.6%）。