摘要
Agent Skills 将可重用的过程知识打包为外部工件，适用于冻结的语言模型代理。然而，现有的优化器无法共同解决工作流中的失败位置、导致失败的机制以及如何从第三方技能中本地重用相关知识的问题。
我们提出了工作流本地化机制学习（WML）。其节点-机制归因（Node–Mechanism Attribution）识别失败的工作流节点、相关机制以及最小有效编辑目标，将单机制缺陷路由到 L3 资源，并将跨机制的关系缺陷路由到 L2 组合协议。
接着，一个六模块的工作流引导技能优化（WGSO）循环选择具有来源和范围意识的第三方知识，应用有限的补丁，评估候选项，并将验证结果存储在优化器侧内存中。
在 SpreadsheetBench 上，WML 在使用 DeepSeek 和 Qwen3.6-Flash 时分别达到了 90.33 +/- 1.53 和 74.67 +/- 3.51 的硬准确率；在没有额外优化的情况下，学习到的技能在 WikiTableQuestions 上转移时达到了 84.00 +/- 2.00 和 83.00 +/- 2.00 的命名准确率。
在 Compiler-Supported50 上，WML 达到最高的 hard-PASS 率和最低的成功任务成本；编译执行显著减少了相对于直接技能代理的令牌和调用，同时保留了大部分成功任务。
代码和工件可在 GitHub 上获取。
博主点评： 本文提出的 WML 方法通过节点-机制归因有效识别工作流中的故障点，并利用 WGSO 循环进行知识重用，展现了在复杂任务中的优化潜力，尤其是在多机制交互的场景下，值得深入研究其应用可能性。