标题： SkillLens：面向成本高效 LLM 智能体的自适应多粒度技能复用
摘要： 技能库已成为 LLM 智能体跨任务复用程序性经验的一种实用方式。然而，现有系统通常将技能视为扁平的、单一分辨率的提示块。这导致了相关性与成本之间的张力：注入粗粒度技能可能引入无关或误导性上下文，而重写整个技能既昂贵又往往不必要。我们提出 SkillLens，一种层次化技能演化框架，它将技能组织为策略、战术、流程和原语的四层图结构，并以混合粒度进行检索。给定一个任务，SkillLens 首先检索语义相关的技能种子，通过技能图上的度校正随机游走对其进行扩展，然后使用验证器决定每个访问单元是否应被接受、分解、重写或跳过。这使得智能体能够直接复用兼容的子技能，同时仅适配局部不匹配的组件。为了随时间改进系统，SkillLens 进一步优化多粒度技能和验证器，以提升其路由决策。我们提供的理论分析表明，在稀疏不匹配假设下，混合粒度适配产生的成本为次线性，且演化更新规则单调地改善验证目标直至局部最优。在 MuLocbench 和 ALFWorld 上，SkillLens 持续优于强技能基线方法，在缺陷定位任务中 Acc@1 提升高达 6.31 个百分点，并将智能体成功率从 45.00% 提升至 51.31%。