摘要
技能的使用可以显著提升现代智能体系统完成复杂任务的能力。然而，技能库的日益庞大使得准确选择技能变得越来越具有挑战性。在实际场景中，特定任务需求与多个语义相似的通用候选技能之间经常会出现模糊的语义匹配。此外，现有方法往往忽略了任务难度和技能适用性在选择最优目标技能集时的动态影响。
为了解决这些问题，我们提出了 SkillReranker，这是一种用于自适应技能选择的推理时重排序框架。具体而言，我们首先对任务和技能进行语义分解，生成信息丰富的子任务和执行状态描述，以及表征每个技能功能的过渡状态描述。这些描述用于构建一个有向无环执行图，其中中间任务状态被建模为节点，而候选技能则作为边，从而建立了结构化的任务-技能对应关系。
在此基础上，SkillReranker 确定每个状态节点是否满足拆分条件，以识别子任务区间。对于每个任务区间，我们采用交叉编码器对候选技能进行全面评分，并选择最合适的技能以形成最终的目标技能集。实验结果显示，在 ALFWorld 和 ScienceWorld 上与三种基础 LLM 进行比较，SkillReranker 在提升任务性能、减少环境交互步骤和降低令牌消耗方面有效优于现有技能选择基线。
博主点评： SkillReranker 的提出为复杂任务中的技能选择提供了一种创新的解决方案。通过引入任务分解和执行图的结构化表示，这一方法不仅增强了技能的适用性，还提高了系统的整体效率，展示了在现实应用中的巨大潜力。其在环境交互和资源消耗方面的优化尤为值得关注，未来可能对智能体系统的发展产生深远影响。