SkillLens: Adaptive Multi-Granularity Skill Reuse for Cost-Efficient LLM Agents
SkillLens 是一个分层框架，通过将技能组织成多粒度图以实现自适应检索和选择性细化，从而优化大语言模型智能体的性能与成本效益，进而在 MuLocbench 和 ALFWorld 等基准测试中超越现有的基于扁平化技能的基线方法。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在尝试解决一个复杂的问题，比如修理一个坏掉的烤面包机，或者整理一个混乱的衣柜。你拥有一座由他人撰写的大量旧说明书（技能）组成的庞大图书馆。
旧方法（问题所在）：
当前的 AI 智能体通常将这些说明书视为整本书。如果你需要修理烤面包机，AI 会抓取整本“电器维修”手册，并将整本书粘贴到它的“大脑”中。
- 问题： 这很混乱。这本书可能包含关于如何修理烤面包机的绝佳建议，但也包含了 50 页关于如何修理搅拌机和烤面包烤箱的内容。AI 会被无关信息搞糊涂，浪费时间去阅读它们，甚至可能产生幻觉（编造内容），因为它试图遵循那些不匹配的指令。
- 替代方案： 如果 AI 意识到这本书大部分是错误的，它会扔掉整本书，试图从头开始摸索一切。这既缓慢又昂贵。
新方法（SkillLens）：
这篇论文介绍了SkillLens，一种更聪明地利用这些说明书的方法。SkillLens 不再将技能视为一个巨大且不可更改的块，而是将每个技能分解为一个四层层级结构，就像一套俄罗斯套娃或企业组织架构图：
- 策略（Policy，老板）： “我们需要修理烤面包机。”（高层目标）
- 策略（Strategy，经理）： “首先拔掉插头，然后检查加热元件。”（计划）
- 程序（Procedure，主管）： “使用螺丝刀卸下背板。如果卡住了，轻轻晃动它。”（逐步规则）
- 原语（Primitive，工人）： “顺时针转动螺丝刀。”（微小的、原子级的动作）
SkillLens 如何工作：
当 AI 面临新任务时，它不会只是抓取整本书。它像一个拿着放大镜的聪明图书管理员：
- 寻找种子： 它找到一本相关的手册（例如，“电器维修”）。
- 放大与缩小： 它不阅读整本书，而是查看“目录”（层级结构）。
- 验证器（法官）： 一个特殊的 AI 法官查看手册的每个部分，并决定如何处理它：
- 接受： “这部分完美。原封不动地保留。”
- 分解： “这部分太模糊了。让我们打开下一层，查看具体步骤。”
- 重写： “这部分基本正确，但电压不适合我们的国家。让我们只修改这句话。”
- 跳过： “这部分是关于搅拌机的。完全忽略它。”
结果：
AI 构建了一份定制的、紧凑的说明书，其中只包含旧手册中完美的部分，并混合了微小的本地修复。它不会浪费时间阅读搅拌机的说明，也不必重写整本书。
“进化”（随时间变得更聪明）：
论文还描述了一个系统，AI 从中学习其错误。如果 AI 未能完成任务，它不会只是重试；它会撰写一份“差距报告”。
- 是因为没有正确的手册而失败吗？（更新智能体的图书馆。）
- 是因为抓取了错误的手册或不知道如何编辑它而失败吗？（更新法官的规则。）
现实世界的证明：
作者在两类任务上测试了这种方法：
- 查找代码中的错误（MuLocbench）： 就像在庞大的软件项目中查找拼写错误。SkillLens 在精确定位确切文件和函数方面比其他方法出色得多，特别是在任务需要非常具体、详细的知识时。
- 虚拟家务（ALFWorld）： 就像一个机器人试图在电子游戏中清理凌乱的房间。SkillLens 将成功率从 45% 提高到 51% 以上，表明它能更好地处理复杂的多步骤家务。
简而言之：
SkillLens 阻止 AI 盲目地复制整本说明书或将其扔掉。相反，它像一个主编，剔除好的部分，微调差的部分，并忽略无关的部分，从而为手头的工作创建一份完美且成本效益高的指南。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。