大型语言模型代理在处理复杂任务时日益依赖技能来扩展能力。然而，要实现可扩展的技能使用，需要选择性技能曝光（Selective Skill Exposure，SSE），即在需要时提供相关的过程内容，同时避免不必要的曝光导致推理干扰。现有方案各有缺陷：渐进式披露会随着技能库增长而引入上下文噪声；检索式限制了目录曝光，但仅依据初始任务查询进行静态检索，可能与推理过程中出现的能力需求不匹配，仍会注入无关技能。我们提出 SkillBrowser，这是一种由元技能（Meta‑Skill）管理的框架，允许代理识别当前能力需求，构造针对性查询，并按需加载技能。实验在六个 SRA‑Bench 子集和五种 LLM 上进行，SkillBrowser 在整体准确率上优于静态检索和基于 LLM 的选择，尤其在多步工具使用场景中表现突出，同时缓解了对已可解实例的准确率下降。效果受模型和任务的具体情况影响，主要局限在有用技能的调用不足以及额外的延迟。
这些结果表明，元技能驱动的选择性技能曝光能够支撑可扩展的技能库，为大规模技能使用提供可行路径。
点评