🤖 AI

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

SkillLens is een hiërarchisch raamwerk dat de prestaties en kostenefficiëntie van LLM-agenten optimaliseert door vaardigheden te organiseren in een meergranulair graf voor adaptieve retriever en selectieve verfijning, waardoor het bestaande vlakke op vaardigheden gebaseerde baselines op benchmarks zoals MuLocbench en ALFWorld overtreft.

Oorspronkelijke auteurs: Yongliang Miao, Ziyang Yu, Liang Zhao, Bowen Zhu, Hasibul Haque

Gepubliceerd 2026-05-12

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Yongliang Miao, Ziyang Yu, Liang Zhao, Bowen Zhu, Hasibul Haque

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een complex probleem op te lossen, zoals het repareren van een kapotte broodrooster of het ordenen van een chaotische kast. Je hebt een enorme bibliotheek met oude handleidingen (vaardigheden) die door anderen zijn opgeschreven.

De Oude Weg (Het Probleem):
Huidige AI-agenten behandelen deze handleidingen meestal als complete boeken. Als je een broodrooster moet repareren, pakt de AI een heel "Apparatenreparatie"-boek en plakt de volledige tekst in zijn brein.

Het Probleem: Dit is rommelig. Het boek bevat misschien uitstekend advies over het repareren van een broodrooster, maar ook 50 pagina's over het repareren van een blender en een broodroosteroven. De AI raakt in de war door de irrelevante informatie, verspill tijd aan het lezen ervan en kan zelfs hallucinaties krijgen (dingen verzinnen) omdat het probeert instructies te volgen die niet passen.
Het Alternatief: Als de AI beseft dat het boek grotendeels verkeerd is, gooit het het hele boek weg en probeert het alles opnieuw uit te vinden. Dit is traag en duur.

De Nieuwe Weg (SkillLens):
Het artikel introduceert SkillLens, een slimmere manier om deze handleidingen te gebruiken. In plaats van een vaardigheid te behandelen als één groot, onveranderlijk blok, breekt SkillLens elke vaardigheid op in een hiërarchie van vier lagen, zoals een reeks matroesjka-poppen of een organogram van een bedrijf:

Beleid (De Baas): "We moeten de broodrooster repareren." (Hoogwaardig doel)
Strategie (De Manager): "Haal eerst de stekker uit, controleer dan het verwarmingselement." (Het plan)
Procedure (De Supervisor): "Gebruik een schroevendraaier om het achterpaneel te verwijderen. Als het vastzit, wiebel het voorzichtig." (Stap-voor-stap regels)
Primitief (De Werknemer): "Draai de schroevendraaier met de klok mee." (De kleine, atomaire actie)

Hoe SkillLens Werkt:
Wanneer de AI een nieuwe taak tegenkomt, pakt het niet zomaar een heel boek. Het handelt als een slimme bibliothecaris met een vergrootglas:

Vind de Zaad: Het vindt een relevante handleiding (bijv. "Apparatenreparatie").
Zoom In en Uit: In plaats van het hele boek te lezen, kijkt het naar de "Inhoudsopgave" (de hiërarchie).
De Verificateur (De Rechter): Een speciale AI-rechter bekijkt elk deel van de handleiding en beslist wat ermee te doen:
- Accepteren: "Dit deel is perfect. Bewaar het exact zoals het is."
- Decomponeren: "Deze sectie is te vaag. Laten we de volgende laag openen om de specifieke stappen te zien."
- Herschrijven: "Dit deel is grotendeels goed, maar de spanning is niet geschikt voor ons land. Laten we alleen deze zin aanpassen."
- Overslaan: "Dit deel gaat over blenders. Negeer het volledig."

Het Resultaat:
De AI bouwt een gepersonaliseerd, compact instructieblad dat alleen de perfecte delen van de oude handleidingen bevat, gemengd met kleine, lokale correcties. Het verspill geen tijd aan het lezen van blenderinstructies en hoeft niet het hele boek opnieuw te schrijven.

De "Evolutie" (Slimmer Worden Naarmate de Tijd Vordert):
Het artikel beschrijft ook een systeem waarbij de AI leert van zijn fouten. Als de AI een taak faalt, probeert hij niet alleen opnieuw; hij schrijft een "gaporapport".

Faalde het omdat het niet de juiste handleiding had? (Update de bibliotheek van de Agent).
Faalde het omdat het de verkeerde handleiding pakte of niet wist hoe het moest bewerken? (Update de regels van de Rechter).

Werkelijke Bewijsvoering:
De auteurs testten dit op twee soorten taken:

Bugen Opsporen in Code (MuLocbench): Zoals het vinden van een typefout in een enorm softwareproject. SkillLens was veel beter in het pinpointen van het exacte bestand en de functie dan andere methoden, vooral wanneer de taak zeer specifieke, gedetailleerde kennis vereiste.
Virtueel Huishouden (ALFWorld): Zoals een robot die probeert een rommelige kamer in een videospel schoon te maken. SkillLens verbeterde het slagingspercentage van 45% naar meer dan 51%, wat aantoont dat het complexere, meerstaps klusjes beter aankan.

Kortom:
SkillLens voorkomt dat de AI blindelings hele handleidingen kopieert of ze weggooit. In plaats daarvan handelt het als een meester-editor, die de goede delen eruit knipt, de slechte delen aanpast en de irrelevante delen negeert om een perfecte, kostenefficiënte gids te creëren voor de klus die op dat moment moet worden gedaan.

Technische Samenvatting: SkillLens: Adaptief Multi-Granulariteit Hergebruik van Vaardigheden voor Kostenefficiënte LLM-Agenten

Probleemstelling

Large Language Model (LLM)-agenten vertrouwen steeds vaker op vaardigheidsbibliotheken om procedurele ervaring te externaliseren, waardoor ze niet voor elke taak opnieuw gedrag hoeven te ontdekken. Bestaande systemen (zoals Voyager, Reflexion, SkillAct) behandelen vaardigheden echter doorgaans als platte, enkel-resolutie promptblokken. Deze atomische aanpak creëert een fundamentele spanning tussen relevantie en kosten:

Grove Injectie: Het injecteren van een opgehaalde vaardigheid als geheel introduceert vaak irrelevante of misleidende context als de vaardigheid slechts gedeeltelijk compatibel is met de huidige taak. Dit vergroot het contextvenster en zaait hallucinaties.
Alles-of-Niets Verwerpen: Als een vaardigheid geen perfecte match is, verwerpen agenten deze vaak volledig, waardoor ze gedwongen worden om opnieuw vanaf nul op te lossen en herbruikbare substructuren worden verspild.
Inefficiënt Herschrijven: Het herschrijven van een hele vaardigheid om te passen bij een nieuwe context is computergewijs duur en vaak onnodig, aangezien slechts specifieke componenten aanpassing vereisen.

De kernvraag die wordt behandeld is: Met welke resolutie moet een opgehaalde vaardigheid worden hergebruikt? De auteurs betogen dat vaardigheden zelden uniform nuttig of nutteloos zijn; hoogwaardige plannen kunnen overeenkomen terwijl laagwaardige stappen dat niet doen, of andersom.

Methodologie: Het SkillLens Framework

SkillLens stelt een hiërarchisch vaardigheids-evolutieframework voor dat vaardigheden organiseert in een vierlaags graf en deze ophaalt en aanpast met gemengde granulariteit.

1. Hiërarchisch Vaardigheidsgraf

De vaardigheidsbibliotheek $S$ is gestructureerd als een graf $G = (S, E)$ met vier abstractielagen, aangepast van opties-frameworks en HTN-planning:

Beleid ( $\ell=1$ ): Routeert taken naar downstream-strategieën.
Strategie ( $\ell=2$ ): Biedt plannen op lange termijn.
Procedure ( $\ell=3$ ): Herbruikbare Standaardwerkprocedures (SOP's) met takken en retry-logica.
Primitief ( $\ell=4$ ): Atomische uitvoerbare eenheden (tool-aanroepen, omgevingshandelingen).

Randen verbinden aangrenzende lagen (ouder-kind) en broers/zussen (lateraal), gewogen op semantische gelijkenis en structurele relaties.

2. Adaptatie met Gemengde Granulariteit (Tijdens Inferentie)

Gegeven een taakquery $Q$ , construeert SkillLens een compacte vaardigheidscontext $K(Q)$ via een tweestapsproces:

Zaadophaling & Uitbreiding: Het haalt de top- $K$ embedding-zaden op en breidt deze uit via een graad-correcte random walk over de vaardigheidsgraf om procedureel gerelateerde kandidaten te identificeren.
Verificator-gestuurde Traversie: Een verificator $V_\phi$ $V_{ϕ}$ traverseert recursief de decompositieboom van gedeeltelijk relevante kandidaten. Voor elke eenheid $u$ $u$ beslist de verificator een van vier acties:
- ACCEPT: De eenheid is compatibel; behoud deze en stop met traverseren van zijn boom.
- DECOMPOSE: De eenheid is te grof; breid uit naar zijn kinderen voor verdere evaluatie.
- REWRITE: De eenheid is nuttig maar niet overeenkomend; een schrijver $W_\phi$ past deze lokaal aan.
- SKIP: De eenheid is irrelevant; verwijder deze.

De uiteindelijke context $K(Q)$ bestaat uitsluitend uit geaccepteerde en lokaal herschreven eenheden, waardoor de agent een taakspecifieke context ontvangt in plaats van een volledig opgehaald blok.

3. Dual-Register Evolutionaire Verfijning

SkillLens koppelt adaptatie tijdens inferentie aan verfijning tijdens evolutie met behulp van twee gekoppelde registers:

Agent Register ( $S$ ): De procedurele kennis die door de agent wordt geraadpleegd.
Verificator Register ( $S_V$ ): Parametriseert het routebeleid (wanneer ACCEPT/DECOMPOSE/REWRITE/SKIP).

Proces:

Gatrapport Constructie: Gefaalde trajecten op een evolutie-split worden geanalyseerd om fouttypen, traversiepaden en routebeslissingen vast te leggen.
Gekoppelde Update: De schrijver $W_\phi$ stelt bewerkingen voor aan de registers op basis van gatrapporten. Het verificatorregister $S_V$ wordt eerst bijgewerkt om routebeslissingen te verfijnen. Het agentregister $S$ wordt vervolgens afgeleid uit deze routebeslissingen (door noodzakelijke procedurele bewerkingen te materialiseren).
Doel: Het systeem maximaliseert iteratief een doel $J(S) = \mathbb{E}[M(Y, O_S(Q)) - C(Q, S)]$ , waarbij taaknauwkeurigheid ( $M$ ) wordt afgewogen tegen inferentiekosten ( $C$ ).

4. Theoretische Garanties

Het paper biedt drie belangrijke theoretische resultaten:

Sublineaire Kosten: Onder aannames van spaarzame mismatches zijn de adaptatiekosten sublineair ( $o(n)$ ) ten opzichte van de grootte van de opgehaalde vaardigheidsboom, aangezien de verificator compatibele bomen vermijdt te traverseren.
Monotone Verbetering: De evolutionaire update-regel garandeert monotone verbetering van de validatiedoelstelling totdat een lokaal optimum wordt bereikt.
Benaderingsgarantie: Het samengestelde algoritme (ophaling + herschrijven) biedt een $(1 - 1/e)$ -benaderingsgarantie voor de surrogaatdoelstelling, begrensd door fouten in ophaling, random walk-scoren en verificator-routing.

Belangrijkste Bijdragen

Formulering: Vaardigheidshergebruik wordt herformuleerd als een probleem van contextselectie en adaptatie, waarbij wordt afgeweken van platte promptinjectie naar het identificeren en samenstellen van nuttige subdelen van opgehaalde kennis.
Framework: Introductie van SkillLens, een resolutie-bewust framework dat gebruikmaakt van hiërarchische ophaling, verificator-gestuurde decompositie en lokale adaptatie. Dit staat toe dat gedeeltelijk relevante vaardigheden op de juiste granulariteit worden hergebruikt.
Bewijs: Theoretische analyse die sublineaire kosten en monotoon convergentie aantoont, naast empirisch bewijs van verbeterde efficiëntie en prestaties.

Experimentele Resultaten

Het framework werd geëvalueerd op MuLocbench (buglocalisatie op repository-niveau) en ALFWorld (interactieve teksttaken op lange termijn).

MuLocbench: SkillLens behaalde de beste Acc@1 over alle granulariteiten:
- Bestaatsniveau: 61,13% (tegenover 58,87% baseline).
- Module-niveau: 59,26% (tegenover 55,56% baseline).
- Functie-niveau: 43,68% (tegenover 37,37% baseline).
- Observatie: Winsten waren het meest uitgesproken bij fijnere granulariteiten (functieniveau), waar volledige vaardigheidsinjectie het meest waarschijnlijk te grof is.
ALFWorld: SkillLens verhoogde het algehele slagingspercentage van 45,00% (Vanilla) naar 51,31%, en presteerde beter dan platte vaardigheidsbaselines (AutoSkill, EvoSkill) met 4,17 procentpunten.
Ablatiestudies:
- Graad-correcte RWR: Het verwijderen van de random walk verlaagde de prestaties, wat bevestigt dat grafpropagatie structureel relevante maar tekstueel verre vaardigheden aan het licht brengt.
- Selectief Herschrijven: De voorgestelde selectieve drill-down-strategie presteerde beter dan "alles-herschrijven" en "alleen-ouder" baselines, terwijl er aanzienlijk minder tokens (16,4 miljoen versus 115,5 miljoen voor "alles-herschrijven") en minder tijd werden gebruikt.

Betekenis en Claims

Het paper claimt dat SkillLens een structurele beperking in huidige agentische systemen aanpakt: het onvermogen om vaardigheden op variërende resoluties te hergebruiken. Door vaardigheden te behandelen als hiërarchische procedurele objecten in plaats van atomische blokken, stelt SkillLens agenten in staat om:

Compatibele subvaardigheden direct te hergebruiken zonder modificatie.
Alleen lokaal niet-overeenkomende componenten aan te passen, waardoor tokenkosten en risico's op hallucinaties worden verminderd.
Zowel procedurele inhoud als route-logica gelijktijdig te laten evolueren, wat leidt tot robuustere vaardigheidsbibliotheken naarmate de tijd vordert.

De auteurs benadrukken dat deze voordelen het meest kritiek zijn voor taken die fijnmazig of compositieel vaardigheidsgebruik vereisen, waarbij de "alles-of-niets"-aanpak van bestaande systemen faalt om de nuance van gedeeltelijke relevantie te vangen. Er wordt vermeld dat toekomstig werk dit zal uitbreiden naar multimodale instellingen en multi-agent omgevingen.