SkillBrowser: Selective Skill Exposure for Scalable Skill-Using Agents
作者: Jin Ye, Yifan Jiang, Lan-zhe Guo
分类: cs.AI
发布日期: 2026-10-16
备注: 23 pages, 3 figures. Submitted to ACL Rolling Review, October 2026
💡 一句话要点
提出SkillBrowser以解决可扩展技能使用中的选择性技能暴露问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 技能暴露 大型语言模型 选择性加载 Meta-Skill管理 智能代理 多步骤推理 自动化决策
📋 核心要点
- 现有方法在技能使用时容易导致上下文污染或技能不匹配，影响推理效果。
- SkillBrowser通过Meta-Skill管理框架，帮助代理识别能力需求并按需加载技能，避免不必要的技能暴露。
- 实验结果表明，SkillBrowser在多步骤工具使用中提高了准确性，相较于静态检索和基于LLM的选择有显著提升。
📝 摘要（中文）
随着大型语言模型代理在复杂任务中越来越依赖技能，如何实现可扩展的技能使用成为关键。现有方法在提供相关程序内容时存在不足，可能导致推理过程中的上下文污染或技能不匹配。为此，本文提出了SkillBrowser，一个由Meta-Skill管理的框架，能够帮助代理识别当前能力需求，制定有针对性的查询，并按需选择性加载技能。通过在六个SRA-Bench子集和五个大型语言模型上的实验，SkillBrowser在多步骤工具使用中提高了整体准确性，并减轻了在已可解决实例上的准确性下降。尽管存在有用技能的调用不足和额外延迟等局限性，但这些结果展示了Meta-Skill管理的选择性技能暴露在可扩展技能库中的可行性。
🔬 方法详解
问题定义：本文旨在解决大型语言模型代理在复杂任务中技能使用的选择性暴露问题。现有方法如渐进式披露和静态检索存在上下文污染和技能不匹配等痛点，导致推理效果下降。
核心思路：SkillBrowser的核心思路是通过Meta-Skill管理框架，动态识别代理的能力需求，制定针对性的查询，从而选择性地加载相关技能，避免不必要的技能干扰。
技术框架：SkillBrowser的整体架构包括能力需求识别模块、查询生成模块和技能加载模块。代理首先识别当前任务的能力需求，然后生成针对性的查询，最后根据查询结果选择性加载所需技能。
关键创新：SkillBrowser的主要创新在于其Meta-Skill管理机制，使得技能加载更加灵活和动态，显著区别于传统的静态检索方法，能够更好地适应推理过程中的变化需求。
关键设计：在设计上，SkillBrowser采用了动态查询生成策略，结合上下文信息来优化技能选择。同时，模型的参数设置和损失函数设计也经过精心调整，以提高技能加载的准确性和效率。
🖼️ 关键图片
📊 实验亮点
在实验中，SkillBrowser在六个SRA-Bench子集和五个大型语言模型上表现出色，整体准确性相比静态检索和基于LLM的选择提升显著，尤其在多步骤工具使用中表现优异。尽管存在有用技能调用不足和额外延迟的问题，但整体效果依然优于现有方法。
🎯 应用场景
SkillBrowser的研究成果在多个领域具有广泛的应用潜力，尤其是在需要复杂决策和多步骤推理的任务中，如智能助手、自动化客服和机器人控制等。通过优化技能使用，能够显著提升系统的智能水平和用户体验，未来可能推动更高效的人工智能应用发展。
📄 摘要（原文）
Large language model agents increasingly rely on skills to extend their capabilities in complex tasks. However, scalable skill use requires Selective Skill Exposure (SSE): providing relevant procedural content when needed while avoiding unnecessary exposure that may disrupt reasoning. Existing paradigms fall short in complementary ways. Progressive disclosure exposes metadata for a growing skill library, introducing context pollution; retrieval limits catalog exposure, but static retrieval from the initial task query may be misaligned with capability needs that emerge during reasoning and may still inject unnecessary skills. We propose SkillBrowser, a Meta-Skill-managed framework that enables an agent to identify current capability needs, formulate targeted queries, and selectively load skills on demand. Across six SRA-Bench subsets and five LLMs, SkillBrowser improves aggregate accuracy over static retrieval and LLM-based selection, including multi-step tool use, and mitigates accuracy degradation on already-solvable instances. Benefits remain model- and task-dependent, with under-invocation of useful skills and additional latency as key limitations. These results demonstrate the viability of Meta-Skill-managed SSE for scalable skill repositories.