论文
智能体技能的跨层失配检测：渐进加载感知的对比学习方法
Cross-Layer Misalignment Detection in Agent Skills: A Progressive Loading-Aware Contrastive Learning Approach
摘要
大语言模型（LLM）智能体日益经智能体技能扩展——打包自然语言元数据、程序化指令与运行时资源供运行时使用的可复用工件。随着开源技能市场扩张，用户与智能体日益依赖简短的元数据选择第三方技能，使检测技能描述与其真实行为之间的不一致变得困难——我们称之为跨层失配。为此我们提出渐进加载感知的层级对比学习（PL-HCL）：一个基于LLM的框架，通过建模智能体技能的层级结构并学习跨层一致性来检测失配。使用超过26.4万开源技能的规范化语料与人工核验的挑战集：PL-HCL把各受评LLM底座上的Macro-F1从基线的约0.45提升到0.87–0.89。该方法为用户与运营方提供有效的筛查工具，也为检测分层数字工件中的不一致提供设计原则。
