大型语言模型（LLM）代理在面对企业内部庞大工具集时难以安全扩展。若直接授予所有内部工具，会导致上下文窗口膨胀、工具选择效率下降，并产生治理漏洞——仅靠提示词定义的策略是概率性的建议，而非硬性约束。现有的缓解方案如多代理域委派只能分散审计日志，仍无法保证跨会话的策略合规。
我们提出 skilder 框架，将能力封装为角色：每个角色包含技能、工具、指令以及约束上限。代理从最小的角色目录启动，学习任务所需的角色后，通过单一 MCP 服务器获取对应的技能、指令和工具。工具仅在已学习的技能内部可达，服务器因此能够对学习过程进行确定性范围控制。
实验在 13 项任务上对比了平面上下文工具选择和多代理编排，使用六种模型并各运行 10 次。结果显示，skilder 的模拟授权层成功阻止了所有未授权的工具调用和参数违规（如超出支出上限）。任务通过率反映了模型是否遵循发现协议并满足响应质量检查；未通过的情况不等同于授权失败。
此外，skilder 允许代理在任务执行过程中动态获取跨角色能力，既保持了解决问题的灵活性，又实现了系统层面的硬约束。
点评：skilder 通过角色化能力交付，将治理从模糊的提示约束提升为可验证的硬约束，在保持灵活性的同时提供了可靠的安全防线。