大型語言模型（LLM）智慧體在解決複雜任務時，常常需要複用已有的程式性經驗，即技能。傳統的技能庫通常將技能視為扁平的、單一粒度的提示塊，這帶來了一個兩難問題：注入粗粒度技能可能引入無關或誤導性上下文，而重寫整個技能又成本高昂且往往不必要。為應對這一挑戰，來自科研團隊的研究者們提出了SkillLens——一種自適應的多粒度技能複用框架，旨在兼顧複用效率與適應性。
SkillLens的核心創新在於構建了一個分層技能圖，將技能組織為四個層次：策略（policies）、方案（strategies）、過程（procedures）和原語（primitives）。這種四層結構從高層的抽象指導到低層的具體操作，形成了一個漸進式細化的技能體系。當面對一個新任務時，系統首先檢索語義相關的技能種子，然後透過度數校正的隨機遊走在技能圖上擴充套件這些種子。這一步的關鍵在於，隨機遊走不僅考慮了圖結構資訊，還透過度數校正避免了偏向高度數節點的偏差，從而更公平地探索相關技能。隨後，一個訓練好的驗證器對每個訪問到的技能單元進行決策：它可以選擇直接接受（複用完整單元）、分解為更細粒度的子技能、重寫區域性不匹配的部分，或者跳過不相關的單元。這種動態選擇機制使得智慧體能夠直接複用相容的子技能，而僅對區域性不匹配的元件進行適配，從而大幅降低了不必要的計算開銷。
理論上，研究者證明了SkillLens的混合粒度適配在稀疏不匹配假設下具有次線性成本，這意味著隨著任務複雜度的增加，額外適配成本的增長遠低於線性。同時，演化更新規則（包括技能庫和驗證器的持續最佳化）能夠單調改進驗證目標，直至達到區域性最優。這為系統的長期穩定性提供了保證。
實驗方面，SkillLens在兩個具有挑戰性的基準上進行了評估：MuLocbench（缺陷定位基準）和ALFWorld（具身任務基準）。在MuLocbench上，SkillLens相比強基線方法實現了高達6.31個百分點的Acc@1提升；在ALFWorld上，智慧體的成功率從45.00%提升至51.31%，提升幅度超過14%。這些結果證明了SkillLens在降低成本的同時顯著提升了任務效能。
總體而言，SkillLens為LLM智慧體的技能複用提供了一種成本高效的新正規化。其分層圖結構和動態驗證機制不僅提高了技能複用的精準度，還透過區域性適配避免了全域性重寫的高昂代價。未來，研究者計劃探索更復雜的圖結構以及更高效的驗證器設計，以進一步提升系統的可擴充套件性和魯棒性。