SkillRouter:从 8 万技能里找对那一个,这套方案只要 1.2B 参数

智能体技能选多了,反而找不到对的?这篇论文给出了优雅的解法

“

论文链接:https://arxiv.org/pdf/2603.22455

研究背景

随着 LLM 智能体生态的快速发展,可用的技能(skill)数量已经突破数万量级。无论是 Claude Code、Codex CLI 这样的编程助手,还是各类个人 AI 助理,背后都依赖一个庞大的社区贡献技能库来扩展自身能力。但问题来了:你不可能把几万个技能全塞进模型的上下文窗口,所以如何从一个巨大的技能池里,准确找到当前任务需要的那几个技能,就成了一个真实且棘手的工程问题,这就是本文定义的"技能路由"(Skill Routing)任务。

形式化来说,给定用户的任务描述  和技能池 ,每个技能  包含三个字段:名称(name)、描述(description)、实现体(body),目标是从  的候选池中检索出最相关的技能排在最前面。

这个任务之所以难,有一个绕不开的现实:社区贡献的技能库里充斥着大量"功能重叠"的技能,比如几十个名字略有差异的 git 管理工具、docker 配置工具,名字和描述都极其相近,但实现细节各有不同。在这种高度同质化的候选池里,传统的检索方法极容易"张冠李戴"。

现有大多数系统的做法是:把技能的名称和描述暴露给智能体,但隐藏完整实现体——本文将其称为"渐进式披露设计"(progressive disclosure)。这背后有个潜在假设:名称+描述已经足够判断技能是否相关。但这个假设从来没有被系统性验证过。本文的核心贡献,就是用实验打破了这个假设。

论文的贡献可以归结为三点:第一,在 ~80K 技能规模的基准上首次系统研究了技能路由问题,并揭示了"实现体才是关键信号"这一反直觉发现;第二,构建了包含 75 个专家验证查询、两个难度层级的评测基准;第三,提出了 SkillRouter 这个仅 1.2B 参数的两阶段检索-重排流水线,在消费级硬件上即可部署,且性能优于多个更大的零样本基线。

相关工作

技能/工具选择这个方向并不是全新的,之前已经有不少工作在做相关探索。Toolformer 和 HuggingGPT 是比较早期的代表,证明了 LLM 调用外部工具的可行性,但它们都假设工具集合是小而固定的。ToolLLM 把规模扩展到了 16K+ 真实 API,引入了检索增强的选工具方式;Gorilla 则通过检索 API 文档让模型与外部接口对接。AnyTool 和 CRAFT 分别探索了层次化工具发现和上下文感知工具检索,EASYTOOL 则发现对工具文档做结构化精简有助于提升选择准确率。ToolRerank 也尝试过自适应截断和层次化多样化作为检索后处理手段。

但这些工作有一个共同的局限:它们要么在规模上远小于 80K(多数在几百到几千量级),要么没有深入研究"技能文本的哪个部分"才真正对检索有用。本文填补的正是这个空白。

在检索架构上,本文遵循业界成熟的"检索-重排"(retrieve-and-rerank)范式:先用双编码器(bi-encoder)做快速粗筛,再用交叉编码器(cross-encoder)精排。DPR、Contriever、E5、GTE、BGE 这些工作奠定了双编码器检索的基础;BERT 段落重排和 RankGPT 则是交叉编码器精排的代表。本文的 SkillRouter 在架构上继承了这条主线,但针对技能路由的特殊性——结构化多字段文档、高度同质化候选池、关键信号在 body 而非 metadata——做了专门的训练设计。

评测基准方面,ToolBench、API-Bank、MetaTool、T-Eval 都从不同角度评估了工具增强智能体,但它们关注的是"会不会用工具",而非"能不能从 80K 里找对工具"。本文基准建立在 SkillBench 的专家标注任务-技能对应关系之上,专注解决这个"找对"的上游问题。

核心方法

最重要的发现:body 才是关键

在介绍方法之前,有必要先说清楚论文最核心的实验发现,因为整个方法设计都以此为出发点。

论文系统比较了两种输入配置:nd(只用 name+description)和 full(name…

— 以上为试看内容(约 40%),开通会员后阅读全文 —