SkillSight：为技能检索校准通用内容背景偏置

随着大语言模型智能体可访问的技能库日益庞大，检索正确的技能成为可靠的 capability 选择与执行的关键。现有检索器常把技能内容当作普通文档，忽视其高度规则化的结构：共享的描述模式在众多技能间反复出现，却几乎不提供区分所需能力的证据。我们证明这种共享描述背景反映在稠密相关性分数中，在查询与技能文档之间诱发显著的能量差，掩盖判别信号——对结构相似的困难负例尤其如此。基于此观察，我们提出SkillSight，一个免训练的检索框架，在语义与词汇两个空间校准共享背景：语义背景校准经IDF识别的通用token估计背景子空间，降低共享描述模式诱发的相似性；词汇证据校准下调共享背景token以恢复判别性的token级证据。在SRA-Bench与SkillBench-Supp上的实验显示各检索指标一致改善：SkillSight把Recall@10较原始稠密检索器最多提升20.21个百分点；比Dense+重排基线快最多1,248倍。端到端评估中，SkillSight在三个智能体模型上取得最佳整体表现，较LLM选择最多领先4.97个百分点。结果识别共享描述背景是技能检索中排序干扰的来源，并证明校准它即可在无额外训练下实现准确高效的技能选择。代码见https://github.com/xiaojinying/SkillSight。