不提供无法执行的技能：大规模LLM技能选择的确定性可执行性门控

生产LLM代理选择从大型技能库中选择技能，面临一个限制：即使技能与用户的话题匹配，但当前账户状态无法执行。我们为Wix的客户支持助手Helpmate提供了一个部署的三阶段选择管道。首先，一个基于召回的语义匹配器识别与十技能领域家族相关的消息，而不咨询账户状态。其次，一个确定性的可执行性门禁移除候选者，其内部硬止条件成立。因为门禁和技能都评估相同的退出条件，每块候选者在相同的账户状态下都无法完成，只要条件保持一致且双方都观察到新鲜权威状态。最后，LLM决定是否调用剩余的候选者。在75.66万条用户消息和26.76万个对话的生产分析中，语义匹配保留了174,927个消息（23.1%）。在这些匹配的流中，门禁从1,749,270对技能—消息中移除了1,039,462对（59.4%），节省了228.8百万技能描述令牌——这是后语义技能描述足迹的59.1%。总的来说，语义匹配和可执行性门禁减少了技能描述的上下文，相对于暴露所有十种技能，相对减少了90.5%。为了测试这种修剪是否影响模型行为，而不是仅影响上下文大小，我们重播了一个风险增强的1,000个对话，其中所有十种技能都暴露。模型在78个对话中选择了生产阻塞的技能（7.8%）。这个反事实结果表明，确定性的门禁阻止非可执行候选者影响模型选择，而没有声称下游工具执行或客户结果影响。