大型语言模型（LLM）智能体在解决复杂任务时，常常需要复用已有的程序性经验，即技能。传统的技能库通常将技能视为扁平的、单一粒度的提示块，这带来了一个两难问题：注入粗粒度技能可能引入无关或误导性上下文，而重写整个技能又成本高昂且往往不必要。为应对这一挑战，来自科研团队的研究者们提出了SkillLens——一种自适应的多粒度技能复用框架，旨在兼顾复用效率与适应性。
SkillLens的核心创新在于构建了一个分层技能图，将技能组织为四个层次：策略（policies）、方案（strategies）、过程（procedures）和原语（primitives）。这种四层结构从高层的抽象指导到低层的具体操作，形成了一个渐进式细化的技能体系。当面对一个新任务时，系统首先检索语义相关的技能种子，然后通过度数校正的随机游走在技能图上扩展这些种子。这一步的关键在于，随机游走不仅考虑了图结构信息，还通过度数校正避免了偏向高度数节点的偏差，从而更公平地探索相关技能。随后，一个训练好的验证器对每个访问到的技能单元进行决策：它可以选择直接接受（复用完整单元）、分解为更细粒度的子技能、重写局部不匹配的部分，或者跳过不相关的单元。这种动态选择机制使得智能体能够直接复用兼容的子技能，而仅对局部不匹配的组件进行适配，从而大幅降低了不必要的计算开销。
理论上，研究者证明了SkillLens的混合粒度适配在稀疏不匹配假设下具有次线性成本，这意味着随着任务复杂度的增加，额外适配成本的增长远低于线性。同时，演化更新规则（包括技能库和验证器的持续优化）能够单调改进验证目标，直至达到局部最优。这为系统的长期稳定性提供了保证。
实验方面，SkillLens在两个具有挑战性的基准上进行了评估：MuLocbench（缺陷定位基准）和ALFWorld（具身任务基准）。在MuLocbench上，SkillLens相比强基线方法实现了高达6.31个百分点的Acc@1提升；在ALFWorld上，智能体的成功率从45.00%提升至51.31%，提升幅度超过14%。这些结果证明了SkillLens在降低成本的同时显著提升了任务性能。
总体而言，SkillLens为LLM智能体的技能复用提供了一种成本高效的新范式。其分层图结构和动态验证机制不仅提高了技能复用的精准度，还通过局部适配避免了全局重写的高昂代价。未来，研究者计划探索更复杂的图结构以及更高效的验证器设计，以进一步提升系统的可扩展性和鲁棒性。