论文
Emotion2Skill：利用模型内部情绪信号的自适应技能选择与演化
Emotion2Skill: Model-Internal Emotion Signals for Adaptive Skill Selection and Evolution
摘要
基于技能的 LLM 智能体从外部库中选择可复用程序来解决复杂任务，但它们的路由决策完全依赖文本级信号，如任务描述、言语反思和由经验导出的规则，而模型自身的内部表征状态仍未被观测。近期的可解释性工作表明，LLM 维护着线性情绪表征，这些表征会因果地影响行为；然而这些表征仅被用于事后分析或直接输出引导，尚未被用于为智能体层面的决策提供信息。我们提出 Emotion2Skill，一个提取 LLM 内部情绪向量并将其同时纳入技能选择与技能演化的框架。在每个决策步骤，从残差流中提取一个 27 维情绪状态，并映射为注入路由提示词的置信度门控摘要。除在线选择外，还分析情绪轨迹中的内部状态突变，以定位有问题的技能调用，指导针对性 SOP 重写，取代以往方法粗糙的二元结果信号。在 WebShop 和 ALFWorld 上，搭配 Qwen3-8B 的 Emotion2Skill 相比 Zero-Shot 基线提升 +26.9% 成功率和 +25.5% 平均成功率，在两个基准上均优于所有基线，并在 Qwen3-14B 上保持一致增益。共激活分析进一步揭示语义上连贯的情绪-技能配对，证实路由改进反映的是有意义的内部状态信号而非不透明的统计相关。这些结果将 LLM 内部情绪表征确立为编排智能体技能系统的有效决策级信号，将其效用扩展到可解释性与输出引导之外。代码发布于 https://github.com/BoHan-LIN04/Emotion2Skill。
