SkillComposer：基於結構化技能組合的LLM智能體高效推理框架

本文針對大型語言模型智能體在複雜任務中面臨的多技能組合選擇瓶頸，提出SkillComposer框架。現有方法將技能選擇視為獨立的檢索或排序問題，忽略了技能子集、數量及執行順序之間的強耦合關係。SkillComposer將技能組合形式化為結構化序列預測任務，透過約束自回歸解碼器在一次生成中聯合確定激活的技能子集、具體數量及執行順序。研究基於真實人工策展技能庫構建訓練數據，在SkillsBench基準上全面評估。實驗顯示，在GPT-5.2-Codex與Gemini-3-Pro-Preview兩個生產級編碼智能體上，相比無技能基線，任務通過率分別提升23.1和18.2個百分點，不僅超越前三名檢索策略，更在降低提示詞令牌成本的同時達到與黃金技能檢索上限相當的效能。該研究為智能體模組化知識調度提供了新範式。