生产环境的代理系统需要从不断增长的技能库中发现并排序，找到最适合用户任务的技能。小规模时，这种选择在上下文中完成：LLM 规划器直接在系统提示中挑选已暴露的技能表示，而不使用显式的基于嵌入的检索步骤。我们将这种上下文内选择视为大规模嵌入检索的 small‑N 对应，并以 Tinycloud——一个面向多模态视频的生产代理系统——为例，探讨其如何为规划器表示技能。
该系统的技能以两种常见形式出现：
- 工具技能（tool‑skill）封装单个外部 API 或系统工具，充当原始词汇；
- 工作流技能（workflow‑skill）组合多个工具技能调用并渲染模板，以生成命名的交付物。
在系统提示中，这两类技能通过两种表面暴露：
- 内联体表面：为自动加载的技能提供完整指令、脚本或模板；
- 单行列表：为按需调用的技能提供一行简要描述。
我们在六个任务上进行选择消融实验，分别在三种曝光策略下评估：全部开启（all‑on）、默认策略（default）和全部关闭（all‑off）。结果显示：
- 全部开启时，规划器在每个任务上都能选中金标准技能；
- 全部关闭导致执行变慢并出现明显的发现失败；
- 默认策略下出现一次误路由，因为某个工具技能的词汇信号与一个工作流技能冲突，吸走了规划器的注意力。
核心发现是，提示中技能的曝光并非单调有益：部分曝光会产生词汇竞争，抑制正确选择。我们将这一 small‑N 观察与近期大规模基于检索的技能路由工作联系起来，强调本研究更像是案例而非基准。
博主点评：该案例提醒我们，在设计提示时要慎重考虑技能的呈现方式，避免因词汇冲突导致检索失效，尤其在多模态系统中更需平衡自动加载与按需列出的比例。