SkillRouter
PulseAugur coverage of SkillRouter — every cluster mentioning SkillRouter across labs, papers, and developer communities, ranked by signal.
-
新研究使 AI 代理能更有效地学习和管理技能
近期研究探索了提高 AI 代理所用技能的有效性和管理性的方法。论文介绍了诸如 SGUID 用于选择最佳技能子集进行蒸馏，SkillMorph 用于基于执行反馈进行引导式技能演化，以及 SkillGraph 用于将技能表示为有向图以管理依赖关系等技术。其他工作侧重于通过动态场景合成（SkillSandbox）验证技能的可重用性，并理解 GitHub 等平台上共享的代理技能的供应链和安全影响。此外，研究还解决了技能投毒攻击以及在代理框架内…
-
AI代理因路由失败而技能过多时性能下降
为AI代理（特别是Claude Code）添加过多技能，会适得其反地降低其性能。研究表明，当技能数量超过大约30项时，性能会显著下降，这主要是由于路由失败，而不是上下文膨胀。这种退化源于“阴影效应”，即相似的技能描述会导致代理选择错误的工具；以及“放弃效应”，即代理完全放弃任务。核心问题在于，代理的路由器主要依赖技能名称和描述，而这些信息只携带了相关路由信号的一小部分，从而导致任务执行不佳或失败。
-
LLM 代理获得面向多样性的技能路由框架
研究人员推出了一种名为 Diverse Skill Routing (DSR) 的新框架，旨在改进大型语言模型 (LLM) 代理选择和利用外部技能的方式。与仅根据查询相关性对技能进行排名的现有方法不同，DSR 采用行列式点过程来平衡相关性与技能互补性。这种方法旨在避免在冗余技能上浪费上下文，并为复杂任务更好地选择互补技能。DSR 在 SkillRouter 基准测试中展示了改进的召回率和覆盖率，尤其是在需要多种技能的查询方面。
-
新的LLM代理技能路由方法提高了效率和多样性
研究人员开发了新的方法，使LLM代理能够更有效地选择和利用外部技能。一种名为Gavel的方法使用冻结的LLM，仅通过训练两个线性映射来引发本地技能路由，然后可以识别正确的技能，而无需在上下文中包含其元数据。与添加大量外部参数的流水线相比，该方法在基准测试中表现出优越的性能。另一种方法，多样化技能路由（DSR），通过使用行列式点过程来平衡相关性和非冗余性，解决了冗余技能的问题，提高了召回率和覆盖率，尤其是在需要多种技能的复杂查询方面。