🤖 AI

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

SkillLens é um framework hierárquico que otimiza o desempenho e a eficiência de custos de agentes LLM ao organizar habilidades em um gráfico de multi-granularidade para recuperação adaptativa e refinamento seletivo, superando assim as bases de referência existentes baseadas em habilidades planas em benchmarks como MuLocbench e ALFWorld.

Autores originais: Yongliang Miao, Ziyang Yu, Liang Zhao, Bowen Zhu, Hasibul Haque

Publicado 2026-05-12

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Yongliang Miao, Ziyang Yu, Liang Zhao, Bowen Zhu, Hasibul Haque

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando resolver um problema complexo, como consertar um torradeiro quebrado ou organizar um guarda-roupa caótico. Você tem uma biblioteca massiva de manuais de instruções antigos (habilidades) que outras pessoas escreveram.

O Jeito Antigo (O Problema):
Agentes de IA atuais geralmente tratam esses manuais como livros inteiros. Se você precisa consertar um torradeiro, a IA pega um livro inteiro de "Reparo de Eletrodomésticos" e cola tudo no seu cérebro.

O Problema: Isso é bagunçado. O livro pode ter ótimos conselhos sobre como consertar um torradeiro, mas também tem 50 páginas sobre como consertar um liquidificador e um forno de torrada. A IA fica confusa com as informações irrelevantes, perde tempo lendo-as e pode até ter alucinações (inventando coisas) porque está tentando seguir instruções que não se encaixam.
A Alternativa: Se a IA perceber que o livro está majoritariamente errado, ela joga o livro inteiro fora e tenta descobrir tudo do zero. Isso é lento e caro.

O Jeito Novo (SkillLens):
O artigo apresenta o SkillLens, uma maneira mais inteligente de usar esses manuais de instruções. Em vez de tratar uma habilidade como um bloco grande e imutável, o SkillLens divide cada habilidade em uma hierarquia de quatro camadas, como um conjunto de bonecas russas ou um organograma corporativo:

Política (O Chefe): "Precisamos consertar o torradeiro." (Objetivo de alto nível)
Estratégia (O Gerente): "Primeiro desligue da tomada, depois verifique o elemento de aquecimento." (O plano)
Procedimento (O Supervisor): "Use uma chave de fenda para remover o painel traseiro. Se estiver preso, balance-o suavemente." (Regras passo a passo)
Primitivo (O Trabalhador): "Gire a chave de fenda no sentido horário." (A ação atômica e minúscula)

Como o SkillLens Funciona:
Quando a IA enfrenta uma nova tarefa, ela não apenas pega um livro inteiro. Ela age como um bibliotecário inteligente com uma lupa:

Encontrar a Semente: Ela encontra um manual relevante (por exemplo, "Reparo de Eletrodomésticos").
Dar Zoom In e Out: Em vez de ler tudo, ela olha para o "Sumário" (a hierarquia).
O Verificador (O Juiz): Um juiz especial de IA examina cada parte do manual e decide o que fazer com ela:
- Aceitar: "Esta parte é perfeita. Mantenha-a exatamente como está."
- Decompor: "Esta seção é muito vaga. Vamos abrir a próxima camada para ver os passos específicos."
- Reescrever: "Esta parte está majoritariamente certa, mas a voltagem está errada para nosso país. Vamos ajustar apenas esta frase."
- Ignorar: "Esta parte é sobre liquidificadores. Ignore-a completamente."

O Resultado:
A IA cria uma folha de instruções personalizada e compacta que contém apenas as partes perfeitas dos antigos manuais, misturadas com pequenos ajustes locais. Ela não perde tempo lendo as instruções de liquidificador e não precisa reescrever o livro inteiro.

A "Evolução" (Ficando Mais Inteligente com o Tempo):
O artigo também descreve um sistema onde a IA aprende com seus erros. Se a IA falha em uma tarefa, ela não apenas tenta novamente; ela escreve um "relatório de lacunas".

Ela falhou porque não tinha o manual certo? (Atualize a biblioteca do Agente).
Ela falhou porque pegou o manual errado ou não sabia como editá-lo? (Atualize as regras do Juiz).

Prova do Mundo Real:
Os autores testaram isso em dois tipos de tarefas:

Encontrar Bugs em Código (MuLocbench): Como encontrar um erro de digitação em um projeto de software massivo. O SkillLens foi muito melhor em apontar o arquivo e a função exatos do que outros métodos, especialmente quando a tarefa exigia conhecimento muito específico e detalhado.
Tarefas Domésticas Virtuais (ALFWorld): Como um robô tentando limpar um quarto bagunçado em um videogame. O SkillLens melhorou a taxa de sucesso de 45% para mais de 51%, mostrando que podia lidar melhor com tarefas domésticas complexas e de múltiplos passos.

Em Resumo:
O SkillLens impede que a IA copie cegamente manuais de instruções inteiros ou os jogue fora. Em vez disso, ela age como um editor mestre, cortando as partes boas, ajustando as partes ruins e ignorando as partes irrelevantes para criar um guia perfeito e eficiente em custos para a tarefa em questão.

Resumo Técnico: SkillLens: Reutilização Adaptativa de Habilidades de Multi-Granularidade para Agentes LLM Eficientes em Custos

Declaração do Problema

Agentes de Modelos de Linguagem de Grande Escala (LLM) dependem cada vez mais de bibliotecas de habilidades para externalizar experiência procedural, evitando a necessidade de redescobrir comportamentos do zero para cada tarefa. No entanto, sistemas existentes (por exemplo, Voyager, Reflexion, SkillAct) tipicamente tratam habilidades como blocos de prompt planos e de resolução única. Essa abordagem atômica cria uma tensão fundamental entre relevância e custo:

Injeção Grossa: Injetar uma habilidade recuperada como um todo frequentemente introduz contexto irrelevante ou enganoso se a habilidade for apenas parcialmente compatível com a tarefa atual, inflando a janela de contexto e semeando alucinações.
Descarte Tudo ou Nada: Se uma habilidade não for uma correspondência perfeita, os agentes frequentemente a descartam inteiramente, forçando uma re-resolução do zero e desperdiçando subestrutura reutilizável.
Reescrita Ineficiente: Reescrever uma habilidade inteira para se adequar a um novo contexto é computacionalmente caro e frequentemente desnecessário, pois apenas componentes específicos podem exigir adaptação.

A questão central abordada é: Em qual resolução uma habilidade recuperada deve ser reutilizada? Os autores argumentam que habilidades raramente são uniformemente úteis ou inúteis; planos de alto nível podem corresponder enquanto etapas de baixo nível não correspondem, ou vice-versa.

Metodologia: O Framework SkillLens

O SkillLens propõe um framework evolutivo de habilidades hierárquico que organiza habilidades em um grafo de quatro camadas e as recupera/adapta em granularidade mista.

1. Grafo de Habilidades Hierárquico

A biblioteca de habilidades $S$ é estruturada como um grafo $G = (S, E)$ com quatro camadas de abstração, adaptadas de frameworks de opções e planejamento HTN:

Política ( $\ell=1$ ): Roteia tarefas para estratégias a jusante.
Estratégia ( $\ell=2$ ): Fornece planos de longo horizonte.
Procedimento ( $\ell=3$ ): Procedimentos Operacionais Padrão (SOPs) reutilizáveis com lógica de ramificação e nova tentativa.
Primitiva ( $\ell=4$ ): Unidades executáveis atômicas (chamadas de ferramentas, ações de ambiente).

As arestas conectam camadas adjacentes (pai-filho) e irmãos (lateral), ponderadas por similaridade semântica e relações estruturais.

2. Adaptação de Granularidade Mista (Tempo de Inferência)

Dada uma consulta de tarefa $Q$ , o SkillLens constrói um contexto de habilidades compacto $K(Q)$ por meio de um processo de duas etapas:

Recuperação de Sementes e Expansão: Recupera as $K$ melhores sementes de incorporação e expande-as por meio de uma passeio aleatório corrigido por grau sobre o grafo de habilidades para identificar candidatos proceduralmente relacionados.
Travessia Orientada por Verificador: Um verificador $V_\phi$ $V_{ϕ}$ percorre recursivamente a subárvore de decomposição de candidatos parcialmente relevantes. Para cada unidade $u$ $u$ , o verificador decide uma das quatro ações:
- ACEITAR: A unidade é compatível; mantê-la e parar de percorrer sua subárvore.
- DECOMPOR: A unidade é muito grosseira; expandir para seus filhos para avaliação adicional.
- REESCREVER: A unidade é útil, mas não corresponde; um escritor $W_\phi$ a adapta localmente.
- PULAR: A unidade é irrelevante; descartá-la.

O contexto final $K(Q)$ é composto apenas por unidades aceitas e localmente reescritas, garantindo que o agente receba um contexto específico da tarefa, em vez de um bloco recuperado completo.

3. Refinamento Evolutivo de Registro Duplo

O SkillLens acopla adaptação em tempo de inferência com refinamento em tempo de evolução usando dois registros acoplados:

Registro do Agente ( $S$ ): O conhecimento procedural consultado pelo agente.
Registro do Verificador ( $S_V$ ): Parametriza a política de roteamento (quando ACEITAR/DECOMPOR/REESCREVER/PULAR).

Processo:

Construção de Relatório de Lacunas: Trajetórias falhas em uma divisão de evolução são analisadas para registrar tipos de erro, caminhos de travessia e decisões de roteamento.
Atualização Acoplada: O escritor $W_\phi$ propõe edições aos registros com base nos relatórios de lacunas. O registro do verificador $S_V$ é atualizado primeiro para refinar as decisões de roteamento. Em seguida, o registro do agente $S$ é induzido a partir dessas decisões de roteamento (materializando edições procedurais necessárias).
Objetivo: O sistema maximiza iterativamente um objetivo $J(S) = \mathbb{E}[M(Y, O_S(Q)) - C(Q, S)]$ , equilibrando a precisão da tarefa ( $M$ ) contra o custo de inferência ( $C$ ).

4. Garantias Teóricas

O artigo fornece três resultados teóricos principais:

Custo Sublinear: Sob suposições de incompatibilidade esparsa, o custo de adaptação é sublinear ( $o(n)$ ) em relação ao tamanho da árvore de habilidades recuperada, pois o verificador evita percorrer subárvores compatíveis.
Melhoria Monótona: A regra de atualização evolutiva garante melhoria monótona do objetivo de validação até que um ótimo local seja alcançado.
Garantia de Aproximação: O algoritmo composto (recuperação + reescrita) fornece uma garantia de aproximação de $(1 - 1/e)$ para o objetivo substituto, limitado por erros na recuperação, pontuação de passeio aleatório e roteamento do verificador.

Contribuições Principais

Formulação: A reutilização de habilidades é reenquadrada como um problema de seleção e adaptação de contexto, indo além da injeção plana de prompts para identificar e compor subpartes úteis de conhecimento recuperado.
Framework: Introdução do SkillLens, um framework consciente de resolução que utiliza recuperação hierárquica, decomposição guiada por verificador e adaptação localizada. Isso permite que habilidades parcialmente relevantes sejam reutilizadas na granularidade apropriada.
Evidência: Análise teórica mostrando custo sublinear e convergência monótona, juntamente com evidências empíricas de eficiência e desempenho aprimorados.

Resultados Experimentais

O framework foi avaliado no MuLocbench (localização de bugs em nível de repositório) e ALFWorld (tarefas de texto interativas de longo horizonte).

MuLocbench: O SkillLens alcançou o melhor Acc@1 em todas as granularidades:
- Nível de Arquivo: 61,13% (vs. 58,87% da linha de base).
- Nível de Módulo: 59,26% (vs. 55,56% da linha de base).
- Nível de Função: 43,68% (vs. 37,37% da linha de base).
- Observação: Os ganhos foram mais pronunciados em granularidades mais finas (nível de função), onde a injeção de habilidade completa é mais propensa a ser muito grosseira.
ALFWorld: O SkillLens aumentou a taxa de sucesso geral de 45,00% (Vanilla) para 51,31%, superando as linhas de base de habilidades planas (AutoSkill, EvoSkill) em 4,17 pontos percentuais.
Estudos de Ablação:
- RWR Corrigido por Grau: Remover o passeio aleatório reduziu o desempenho, confirmando que a propagação no grafo traz à tona habilidades estruturalmente relevantes, mas textualmente distantes.
- Reescrita Seletiva: A estratégia proposta de perfuração seletiva superou as linhas de base "reescrever-tudo" e "apenas-pai", usando significativamente menos tokens (16,4M vs. 115,5M para "reescrever-tudo") e menos tempo.

Significado e Alegações

O artigo afirma que o SkillLens aborda uma limitação estrutural nos sistemas agênticos atuais: a incapacidade de reutilizar habilidades em resoluções variadas. Ao tratar habilidades como objetos procedurais hierárquicos, em vez de blocos atômicos, o SkillLens permite que os agentes:

Reutilizem subhabilidades compatíveis diretamente sem modificação.
Adaptem apenas componentes localmente incompatíveis, reduzindo custos de tokens e riscos de alucinação.
Evoluam simultaneamente o conteúdo procedural e a lógica de roteamento, levando a bibliotecas de habilidades mais robustas ao longo do tempo.

Os autores enfatizam que esses benefícios são mais críticos para tarefas que exigem uso de habilidades composicional ou de granularidade fina, onde a abordagem "tudo ou nada" dos sistemas existentes falha em capturar a nuance da relevância parcial. Trabalhos futuros são notados para estender isso para configurações multimodais e ambientes multiagente.