Skill++：通过路由感知的技能优化迈向终身智能体

大语言模型（LLM）智能体通过技能扩展自身能力，每项技能都包含名称、描述和正文。在渐进式披露机制下，LLM 路由器仅根据名称和描述选择技能，并仅加载所选技能的正文。随着用户和智能体不断添加新技能，技能库持续扩展。由于路由器依赖这些元数据，相似的新技能可能挤占已有技能的位置，即使已有技能和路由器均未改变，也会破坏此前正确的路由。这种路由干扰在公开技能中更为严重，因为其描述可能与正文不符。我们将这一问题形式化为终身技能路由，即一类类别增量持续学习问题。解决方案必须在不抑制新技能的前提下，确保已有技能仍可被选中。现有方法存在不足：持续重新训练路由器有灾难性遗忘的风险，而改写方法要么忽略相似技能，要么需要逐项技能的反馈。因此，我们提出 Skill++，仅改写每项新增技能的名称和描述，无需训练路由器，也无需标注数据。新描述明确说明正文支持哪些功能、该技能与最相近的已有技能有何区别，以及不涵盖哪些相关任务。当技能库经过十轮扩展至 731 项技能时，Skill++ 能为 76.3% 的查询选出全部所需技能，而使用原始元数据时这一比例仅为 36.4%。在三个基准测试和五种 LLM 路由器上，Skill++ 均优于所有对比方法，其性能提升也延续到了 Codex CLI 智能体运行框架中。