工作流定位的机制学习：结构化智能体技能的归因引导修复与知识复用

智能体技能（Agent Skills）把可复用的程序性知识打包为冻结语言模型智能体的外部工件，但现有优化器并未联合解决：失败发生在工作流哪个节点、由哪种机制导致、以及第三方技能中的相关知识应如何本地复用。我们提出工作流定位的机制学习（WML）。其节点—机制归因识别失败的工作流节点、所涉机制与最小有效编辑目标：把单机制缺陷路由到L3资源，把跨机制的关系缺陷路由到L2组合协议。随后六模块的工作流引导技能优化（WGSO）回路选择溯源与范围感知的第三方知识、施加有界补丁、评估候选，并把经验证的结果存入优化器侧记忆。在SpreadsheetBench上，WML以DeepSeek与Qwen3.6-Flash分别达90.33±1.53与74.67±3.51的困难准确率；无需额外优化，学到的技能迁移到WikiTableQuestions取得84.00±2.00与83.00±2.00的指称准确率。在Compiler-Supported50上，WML同时取得最高困难通过率与最低每成功任务成本；编译执行相对直接SkillAgent大幅减少token与调用，同时保留其大部分成功任务。代码与工件见GitHub。