超越Top-k技能检索：LLM Agent的多样性感知技能路由

大型语言模型 (LLM) 智能体越来越依赖外部技能，但通过大型技能注册表路由用户请求很困难，因为许多技能在功能上是冗余的，而复杂的任务通常需要互补的技能集。现有的技能路由器通常根据查询相关性对候选者进行独立排名，这可能会浪费冗余技能的上下文预算。我们提出了多样化技能路由（DSR），这是一种多样性感知的重新排名框架，它使用决定点过程来平衡相关性和非冗余性。 DSR 引入了查询残差多样性内核，该内核会惩罚冗余技能重叠，同时减少仅由共享查询相关性引起的惩罚。在 SkillRouter 基准中，DSR 在强大的逐点重新排名基线上提高了召回率和完全覆盖率，并且在多技能查询方面获得了更大的收益。这些结果表明，技能路由不仅应被视为相关性排名，而且还应被视为补充集选择。