清华：首个有理论保证的智能体Skill路由
随着大语言模型智能体依赖越来越多的可复用技能文档（Skill）扩展能力，如何在有限上下文窗口中选择最有效的技能组合成为关键问题。现有方法通常根据单个技能的语义相关性排序，再采用Top-k或贪心方式拼接，忽略技能之间的互补、冗余关系以及上下文成本，导致Token浪费甚至降低任务成功率。本文首次将智能体技能选择形式化为带Token预算约束的优化问题，并提出具有理论保证的选择算法。
核心亮点：
技能选择建模创新： 将技能选择定义为“能力收益减去上下文成本”的优化问题。模型通过潜在能力空间描述技能提供的能力、任务需求以及技能组合之间的互补和冗余关系，将收益建模为单调子模函数，并加入线性上下文惩罚。
提出BPS技能选择算法： 设计Best Prefix Selection（BPS）算法，通过密度贪心搜索和最佳前缀选择，在有限Token预算下寻找高价值技能组合。该算法首次为智能体技能选择提供可证明性能保证，实现(1−1/e,1)双指标近似。
理论保证达到最优水平： 论文证明BPS在多项式时间内达到子模收益系数1−1/e，该系数在复杂度理论意义下无法进一步提升。同时提出“预算对齐插值”方法，将连续优化分析转换为实际可执行的离散技能集合。
学习隐藏能力关系： 提出基于执行反馈训练的能力编码方式，仅利用智能体任务成功/失败记录，即可学习技能能力覆盖关系。实验显示模型能够恢复隐藏技能-能力矩阵，在155个技能能力组合上的AUC达到0.996。
实验显著提升智能体表现： 在经过污染控制的BigCodeBench变体测试中，BPS达到0.73任务成功率，高于现有技能路由器、检索器和智能体自身选择方式（0.20–0.52）。同时比最强已发布路由方法减少28%的Token消耗。

arXiv:2608.19993

智能体架构 大模型优化 LLM应用 上下文管理 强化学习 科研 代码智能体 AI进化生活howto 清华大学