Trace2Tower：面向过渡感知的 EigenTrace 诱导，用于 LLM Agents 的多层级技能

大型语言模型 Agents 越来越依赖执行轨迹来掌握复杂的交互任务。然而，当前范式受限于浅层轨迹检索和扁平化技能总结，根本上忽视了 Agent 行为的时间依赖性和结果条件化拓扑结构。我们提出 Trace2Tower，一种过渡感知的 EigenTrace 框架，可将原始轨迹提炼为稳健的技能层级。Trace2Tower 将步级交互抽象为规范化事件，并构建一个由语义兼容性、过渡动态和结果证据共同约束的统一图。通过一种新颖的对比式谱分解，它分离出稳定、与成功对齐的行为模式，同时严格抑制容易失败的捷径。这些模式自然地填充到一个动态技能塔中，形成动作模板、程序化例程和总体任务策略，并通过 verifier 引导的反馈持续优化。在 ALFWorld 上，Trace2Tower 在仅需 10.35 步和 0.26 个无效动作的情况下实现了 87.31% 的成功率；在 WebShop 上，它达到了 50.67% 的精确成功率。横跨这两个基准，Trace2Tower 在任务掌握能力和上下文高效经验复用方面都显著优于现有基线。