LeafSkill：面向递归 LLM 智能体的高效叶级动作落地

递归大语言模型（LLM）智能体通过任务分解、执行和环境反馈来解决长时程任务。然而，在生成原子子任务后，它们往往再次调用同一个大模型，将熟悉的指令转化为可执行动作。我们观察到，高层规划具有任务特异性，而叶级动作落地则会在不同任务中反复出现，并且可以对照环境允许的动作进行校验。我们提出 LeafSkill，这是一种外部复用层，可检索语义相关的动作落地经验，将动作模板绑定到当前对象和允许的动作，并使用一个轻量级 1.7B 选择器来选择绑定后的动作，或将未经修改的子任务交回原智能体处理。技能保留在模型参数之外，使冻结的选择器能够使用训练后新增的技能。在词汇和句法改写条件下，精确匹配无法检索到任何参考动作，而语义检索分别保持了 96.0% 和 97.0% 的候选覆盖率；冻结的选择器采纳了 97.34% 的未见技能类型。在由 200 个 Robotouille 任务组成的独立确认集上，LeafSkill 完成了 137 个任务，而 ReCAP 完成了 121 个（68.5% 对 60.5%，精确 McNemar 检验 p=.0259）。在两者均完成的 106 个任务上，LeafSkill 将 Qwen3.5-27B 的词元用量减少了 14.42%，调用次数减少了 14.08%。在另一个留出集上进行的重复实验取得了一致的结果：成功率提升 9.0 个百分点，词元用量减少 18.98%。因此，可复用的叶级动作落地能够在不替代高层规划的情况下，提高任务完成率，同时减少主模型的推理开销。