SkillAlign：对齐LLM Agent的技能接口

语言模型智能体越来越依赖技能：用于推理、工具使用和交互的可重用程序知识。现有的工作研究如何获取、检索、压缩或组合技能，但通常假设一旦选择了技能，其与智能体的接口就固定了。我们认为，这忽视了技能效用的一个关键来源：同样的技能可以提供帮助、分散注意力或误导，具体取决于它的暴露方式。我们提出了 SkillAlign，这是一个与提供者无关的框架，它将候选技能表示为多视图程序卡，并通过替代暴露界面呈现它们，包括完整的说明、提示、压缩摘要、工作流程或不暴露。这使得反事实评估成为可能，其中任务、智能体和候选人技能是固定的，而只有暴露界面发生变化。在 ALFWorld 和 SkillsBench 中，我们表明暴露形式极大地影响任务成功和渲染上下文成本，并且紧凑的 top-k 暴露可以优于全库注入。我们进一步在 ALFWorld 上进行了基于重播的策略学习分析，表明自适应暴露包含可学习信号，但距离预言选择还很远。我们的结果表明，技能增强型智能体不仅应该优化使用哪些技能，还应该优化这些技能的呈现方式。