近日，一篇发表在arXiv上的研究论文《The Scaling Laws of Skills in LLM Agent Systems》系统探讨了LLM智能体系统中技能库的规模定律。该研究由Charles Chen等15位作者共同完成，通过对15个前沿LLM、1141个真实世界技能以及超过300万次路由或执行决策的分析，揭示了两条相互耦合的定律，为设计和优化大规模智能体系统提供了理论基础。
首先，路由定律指出，单步路由的准确率随着技能库规模的增大而对数衰减，在所有模型上的拟合优度R²均高于0.97。随着技能库变大，错误模式经历了三个阶段：最初是局部技能之间的竞争，然后演变为跨技能家族的漂移，最终被过于通用的“黑洞技能”捕获——这些技能虽然泛化能力强，但往往导致错误的路由选择。这一发现揭示了为什么简单地增加技能数量反而会降低系统性能。
其次，执行定律表明，在状态实现之前，联合路由近似满足乘法关系，即路由和执行是耦合的。重要的是，正确的执行可以将困难的下游决策准确率提升约4倍，这意味着在执行阶段纠正路由错误是可行的。一个关键参数——路由对数衰减速率的斜率b——同时控制着这两条定律：通过路由侧的拟合可以预测执行侧的挽救效果，说明相同的库属性既影响执行前的崩溃也影响下游的可恢复性。
基于这些定律的优化方法将保留路由准确率从71.3%提升至91.7%，劫持率从22.4%降低至4.1%，并在下游ClawBench和ClawMark执行任务中表现出正向迁移，平均通过率分别从49.3%提升至61.6%和从28.4%提升至34.5%。这些改进表明，通过优化技能库的结构、粒度和曝光策略，可以显著提升智能体系统的整体性能。
这项研究强调，智能体的性能不仅依赖于模型本身的能力，还深深受到技能库的组织方式的影响。对于AI工程师和系统设计者来说，这意味着在构建大规模智能体系统时，需要仔细考虑技能库的设计，包括如何定义技能粒度、如何组织技能家族以及如何曝光技能给路由机制。这些发现为未来开发更高效、更可靠的智能体系统提供了重要的指导。