Trace2Tower：基于过渡感知的多层级技能诱导方法用于大语言模型智能体

大型语言模型智能体越来越依赖执行跟踪来掌握复杂的交互任务。然而，当前的范例受到浅层轨迹检索和平面技能总结的瓶颈，从根本上忽略了智能体行为的时间依赖性和结果条件拓扑。我们引入了 Trace2Tower，这是一个转换感知的 EigenTrace 框架，可将原始轨迹提炼为强大的技能层次结构。 Trace2Tower 将步骤级交互抽象为规范事件，构建由语义兼容性、转换动态和结果证据控制的统一图。通过一种新颖的对比谱分解，它隔离了稳定的、与成功相关的行为模式，同时严格抑制容易失败的捷径。这些模式有机地填充了由动作模板、程序例程和总体任务策略组成的动态技能塔，并通过验证者引导的反馈不断完善。在 ALFWorld 上，Trace2Tower 仅需要 10.35 个步骤和 0.26 个无效动作，就取得了 87.31% 的成功率；在WebShop上，准确率达到50.67%。在这两个基准中，Trace2Tower 在任务掌握和上下文高效的体验重用方面都显着优于现有基准。