SkillBrowser：面向可扩展技能使用智能体的选择性技能暴露

大型语言模型智能体日益依赖技能来扩展其在复杂任务中的能力。然而，可扩展的技能使用需要选择性技能暴露（SSE）：在需要时提供相关的程序性内容，同时避免不必要的暴露，以免干扰推理。现有范式在互补的方面存在不足。渐进式披露会为不断增长的技能库暴露元数据，从而引入上下文污染；检索虽然限制了目录暴露，但基于初始任务查询的静态检索可能与推理过程中出现的能力需求不匹配，也可能仍会注入不必要的技能。我们提出 SkillBrowser，这是一种由 Meta-Skill 管理的框架，使智能体能够识别当前的能力需求，制定针对性查询，并按需选择性加载技能。在六个 SRA-Bench 子集和五个 LLMs 上，SkillBrowser 的总体准确率优于静态检索和基于 LLM 的选择方法，包括多步工具使用场景，并减轻了在原本可解决实例上的准确率下降。其收益仍取决于模型和任务，实用技能调用不足以及额外延迟是主要局限。这些结果证明了由 Meta-Skill 管理的 SSE 对可扩展技能库的可行性。