🤖 AI

SkillLens: Adaptive Multi-Granularity Skill Reuse for Cost-Efficient LLM Agents

SkillLens est un cadre hiérarchique qui optimise les performances et l'efficacité des coûts des agents LLM en organisant les compétences dans un graphe multi-granulaire pour une récupération adaptative et un raffinement sélectif, surpassant ainsi les bases de référence existantes à compétences plates sur des benchmarks tels que MuLocbench et ALFWorld.

Auteurs originaux : Yongliang Miao, Ziyang Yu, Liang Zhao, Bowen Zhu, Hasibul Haque

Publié 2026-05-12

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Yongliang Miao, Ziyang Yu, Liang Zhao, Bowen Zhu, Hasibul Haque

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de résoudre un problème complexe, comme réparer un grille-pain défectueux ou ranger un placard chaotique. Vous possédez une immense bibliothèque de vieux manuels d'instructions (des compétences) rédigés par d'autres personnes.

L'Ancienne Méthode (Le Problème) :
Les agents d'IA actuels traitent généralement ces manuels comme des livres entiers. Si vous devez réparer un grille-pain, l'IA saisit tout un livre « Réparation d'appareils électroménagers » et colle l'intégralité du contenu dans son cerveau.

Le Problème : C'est désordonné. Le livre peut contenir d'excellents conseils sur la réparation d'un grille-pain, mais il comporte aussi 50 pages sur la réparation d'un mixeur et d'un four à micro-ondes. L'IA se perd dans les informations non pertinentes, perd du temps à les lire, et peut même halluciner (inventer des choses) car elle tente de suivre des instructions qui ne correspondent pas.
L'Alternative : Si l'IA réalise que le livre est majoritairement inadapté, elle jette le livre entier et tente de tout comprendre à partir de zéro. C'est lent et coûteux.

La Nouvelle Méthode (SkillLens) :
L'article présente SkillLens, une manière plus intelligente d'utiliser ces manuels d'instructions. Au lieu de traiter une compétence comme un seul bloc unique et immuable, SkillLens décompose chaque compétence en une hiérarchie à quatre couches, comme une série de poupées gigognes ou un organigramme d'entreprise :

Politique (Le Patron) : « Nous devons réparer le grille-pain. » (Objectif de haut niveau)
Stratégie (Le Manager) : « Débranchez-le d'abord, puis vérifiez l'élément chauffant. » (Le plan)
Procédure (Le Superviseur) : « Utilisez un tournevis pour retirer le panneau arrière. S'il est coincé, faites-le bouger doucement. » (Règles étape par étape)
Primitif (L'Ouvrier) : « Tournez le tournevis dans le sens des aiguilles d'une montre. » (L'action atomique et minuscule)

Comment SkillLens Fonctionne :
Lorsque l'IA fait face à une nouvelle tâche, elle ne se contente pas de saisir un livre entier. Elle agit comme un bibliothécaire intelligent avec une loupe :

Trouver la Graine : Elle trouve un manuel pertinent (par exemple, « Réparation d'appareils électroménagers »).
Zoomer et Dézoomer : Au lieu de tout lire, elle examine la « Table des matières » (la hiérarchie).
Le Vérificateur (Le Juge) : Un juge IA spécial examine chaque partie du manuel et décide quoi en faire :
- Accepter : « Cette partie est parfaite. Gardez-la exactement telle quelle. »
- Décomposer : « Cette section est trop vague. Ouvrons la couche suivante pour voir les étapes spécifiques. »
- Réécrire : « Cette partie est globalement juste, mais la tension est incorrecte pour notre pays. Ajustons uniquement cette phrase. »
- Ignorer : « Cette partie concerne les mixeurs. Ignorez-la complètement. »

Le Résultat :
L'IA construit une feuille d'instructions personnalisée et compacte qui ne contient que les parties parfaites des anciens manuels, mélangées à de minuscules corrections locales. Elle ne perd pas de temps à lire les instructions pour les mixeurs et n'a pas besoin de réécrire tout le livre.

L'« Évolution » (Devenir plus intelligent avec le temps) :
L'article décrit également un système où l'IA apprend de ses erreurs. Si l'IA échoue à une tâche, elle ne tente pas simplement à nouveau ; elle rédige un « rapport de lacunes ».

A-t-elle échoué parce qu'elle n'avait pas le bon manuel ? (Mettre à jour la bibliothèque de l'Agent).
A-t-elle échoué parce qu'elle a pris le mauvais manuel ou ne savait pas comment le modifier ? (Mettre à jour les règles du Juge).

Preuve dans le Monde Réel :
Les auteurs ont testé cela sur deux types de tâches :

Trouver des Bugs dans le Code (MuLocbench) : Comme trouver une faute de frappe dans un vaste projet logiciel. SkillLens était bien meilleur pour identifier le fichier et la fonction exacts que les autres méthodes, en particulier lorsque la tâche nécessitait des connaissances très spécifiques et détaillées.
Travaux Ménagers Virtuels (ALFWorld) : Comme un robot essayant de nettoyer une pièce en désordre dans un jeu vidéo. SkillLens a fait passer le taux de réussite de 45 % à plus de 51 %, montrant qu'il pouvait mieux gérer des corvées complexes et multi-étapes.

En Bref :
SkillLens empêche l'IA de copier aveuglément des manuels d'instructions entiers ou de les jeter. Au lieu de cela, elle agit comme un éditeur expert, découpant les bonnes parties, ajustant les mauvaises parties et ignorant les parties non pertinentes pour créer un guide parfait et rentable pour la tâche à accomplir.

Résumé Technique : SkillLens : Réutilisation Adaptative de Compétences à Multi-Granularité pour des Agents LLM Économes en Coûts

Énoncé du Problème

Les agents basés sur les grands modèles de langage (LLM) reposent de plus en plus sur des bibliothèques de compétences pour externaliser l'expérience procédurale, évitant ainsi de devoir redécouvrir des comportements à partir de zéro pour chaque tâche. Cependant, les systèmes existants (par exemple, Voyager, Reflexion, SkillAct) traitent généralement les compétences comme des blocs d'invite plats et à résolution unique. Cette approche atomique crée une tension fondamentale entre pertinence et coût :

Injection Grossière : Injecter une compétence récupérée dans son ensemble introduit souvent un contexte non pertinent ou trompeur si la compétence n'est que partiellement compatible avec la tâche actuelle, ce qui gonfle la fenêtre contextuelle et favorise les hallucinations.
Rejet Tout ou Rien : Si une compétence n'est pas un match parfait, les agents la rejettent souvent entièrement, forçant une résolution à partir de zéro et gaspillant une sous-structure réutilisable.
Réécriture Inefficace : Réécrire une compétence entière pour l'adapter à un nouveau contexte est coûteux en calcul et souvent inutile, car seuls des composants spécifiques peuvent nécessiter une adaptation.

La question centrale abordée est la suivante : À quelle résolution une compétence récupérée doit-elle être réutilisée ? Les auteurs soutiennent que les compétences sont rarement uniformément utiles ou inutiles ; des plans de haut niveau peuvent correspondre tandis que des étapes de bas niveau ne le font pas, ou inversement.

Méthodologie : Le Cadre SkillLens

SkillLens propose un cadre d'évolution hiérarchique des compétences qui organise les compétences en un graphe à quatre couches et les récupère/adapte à granularité mixte.

1. Graphe Hiérarchique des Compétences

La bibliothèque de compétences $S$ est structurée comme un graphe $G = (S, E)$ avec quatre couches d'abstraction, adaptées des cadres d'options et de la planification HTN :

Politique ( $\ell=1$ ) : Aiguille les tâches vers des stratégies en aval.
Stratégie ( $\ell=2$ ) : Fournit des plans à long horizon.
Procédure ( $\ell=3$ ) : Procédures Opératoires Standard (POS) réutilisables avec logique de branchement et de réessai.
Primitif ( $\ell=4$ ) : Unités exécutables atomiques (appels d'outils, actions d'environnement).

Les arêtes relient les couches adjacentes (parent-enfant) et les frères (latérales), pondérées par la similarité sémantique et les relations structurelles.

2. Adaptation à Granularité Mixte (Pendant l'Inférence)

Étant donné une requête de tâche $Q$ , SkillLens construit un contexte de compétences compact $K(Q)$ via un processus en deux étapes :

Récupération de Graines et Expansion : Il récupère les $K$ meilleures graines d'embedding et les étend via une marche aléatoire corrigée par le degré sur le graphe de compétences pour identifier des candidats procéduralement liés.
Parcours Piloté par Vérificateur : Un vérificateur $V_\phi$ $V_{ϕ}$ parcourt récursivement le sous-arbre de décomposition des candidats partiellement pertinents. Pour chaque unité $u$ $u$ , le vérificateur décide de l'une des quatre actions suivantes :
- ACCEPTER : L'unité est compatible ; la conserver et arrêter le parcours de son sous-arbre.
- DÉCOMPOSER : L'unité est trop grossière ; l'étendre à ses enfants pour une évaluation ultérieure.
- RÉÉCRIRE : L'unité est utile mais inadaptée ; un rédacteur $W_\phi$ l'adapte localement.
- IGNORER : L'unité est non pertinente ; la rejeter.

Le contexte final $K(Q)$ est composé uniquement d'unités acceptées et réécrites localement, garantissant que l'agent reçoit un contexte spécifique à la tâche plutôt qu'un bloc récupéré complet.

3. Raffinement Évolutionnaire à Double Registre

SkillLens couple l'adaptation pendant l'inférence avec un raffinement pendant l'évolution en utilisant deux registres couplés :

Registre de l'Agent ( $S$ ) : Le savoir procédural consulté par l'agent.
Registre du Vérificateur ( $S_V$ ) : Paramétrise la politique d'aiguillage (quand ACCEPTER/DÉCOMPOSER/RÉÉCRIRE/IGNORER).

Processus :

Construction du Rapport d'Écarts : Les trajectoires échouées sur un split d'évolution sont analysées pour enregistrer les types d'erreurs, les chemins de parcours et les décisions d'aiguillage.
Mise à Jour Couplée : Le rédacteur $W_\phi$ propose des modifications aux registres basées sur les rapports d'écarts. Le registre du vérificateur $S_V$ est mis à jour en premier pour affiner les décisions d'aiguillage. Le registre de l'agent $S$ est ensuite induit à partir de ces décisions d'aiguillage (matérialisant les modifications procédurales nécessaires).
Objectif : Le système maximise itérativement un objectif $J(S) = \mathbb{E}[M(Y, O_S(Q)) - C(Q, S)]$ , équilibrant la précision de la tâche ( $M$ ) contre le coût d'inférence ( $C$ ).

4. Garanties Théoriques

L'article fournit trois résultats théoriques clés :

Coût Sous-Linéaire : Sous des hypothèses de désaccord sparse, le coût d'adaptation est sous-linéaire ( $o(n)$ ) par rapport à la taille de l'arbre de compétences récupéré, car le vérificateur évite de parcourir les sous-arbres compatibles.
Amélioration Monotone : La règle de mise à jour évolutionnaire garantit une amélioration monotone de l'objectif de validation jusqu'à l'atteinte d'un optimum local.
Garantie d'Approximation : L'algorithme composé (récupération + réécriture) fournit une garantie d'approximation de $(1 - 1/e)$ pour l'objectif de substitution, bornée par les erreurs de récupération, de notation par marche aléatoire et d'aiguillage du vérificateur.

Contributions Clés

Formulation : La réutilisation de compétences est reformulée comme un problème de sélection et d'adaptation de contexte, allant au-delà de l'injection d'invite plate pour identifier et composer des sous-parties utiles des connaissances récupérées.
Cadre : Introduction de SkillLens, un cadre conscient de la résolution utilisant une récupération hiérarchique, une décomposition guidée par vérificateur et une adaptation localisée. Cela permet de réutiliser des compétences partiellement pertinentes à la granularité appropriée.
Preuves : Analyse théorique montrant un coût sous-linéaire et une convergence monotone, accompagnées de preuves empiriques d'une efficacité et d'une performance améliorées.

Résultats Expérimentaux

Le cadre a été évalué sur MuLocbench (localisation de bugs au niveau du dépôt) et ALFWorld (tâches textuelles interactives à long horizon).

MuLocbench : SkillLens a obtenu le meilleur Acc@1 à toutes les granularités :
- Niveau Fichier : 61,13 % (contre 58,87 % pour la base de référence).
- Niveau Module : 59,26 % (contre 55,56 % pour la base de référence).
- Niveau Fonction : 43,68 % (contre 37,37 % pour la base de référence).
- Observation : Les gains étaient les plus prononcés aux granularités plus fines (niveau fonction), où l'injection de compétences complètes est la plus susceptible d'être trop grossière.
ALFWorld : SkillLens a porté le taux de réussite global de 45,00 % (Vanilla) à 51,31 %, surpassant les bases de référence de compétences plates (AutoSkill, EvoSkill) de 4,17 points de pourcentage.
Études d'Ablation :
- RWR Corrigé par Degré : Le retrait de la marche aléatoire a réduit les performances, confirmant que la propagation graphique met en évidence des compétences structurellement pertinentes mais textuellement éloignées.
- Réécriture Sélective : La stratégie de forage sélectif proposée a surpassé les bases de référence « réécrire tout » et « parent uniquement » tout en utilisant significativement moins de tokens (16,4 M contre 115,5 M pour « réécrire tout ») et moins de temps.

Importance et Revendications

L'article revendique que SkillLens adresse une limitation structurelle des systèmes d'agents actuels : l'incapacité à réutiliser des compétences à des résolutions variables. En traitant les compétences comme des objets procéduraux hiérarchiques plutôt que comme des blocs atomiques, SkillLens permet aux agents de :

Réutiliser directement des sous-compétences compatibles sans modification.
Adapter uniquement les composants localement inadaptés, réduisant les coûts de tokens et les risques d'hallucination.
Faire évoluer simultanément le contenu procédural et la logique d'aiguillage, conduisant à des bibliothèques de compétences plus robustes au fil du temps.

Les auteurs soulignent que ces avantages sont les plus critiques pour les tâches nécessitant une utilisation de compétences fine ou compositionnelle, où l'approche « tout ou rien » des systèmes existants échoue à capturer la nuance de la pertinence partielle. Un travail futur est noté pour étendre cela à des contextes multimodaux et des environnements multi-agents.