递归大型语言模型（LLM）代理通过任务分解、执行和环境反馈来解决长时序任务。然而，在生成原子子任务后，它们往往再次调用同一大型模型，将熟悉的指令翻译为可执行动作。我们观察到，高层规划是任务特定的，而叶层动作落地在不同任务之间会重复出现，并且可以与环境允许的动作进行校验。为此，我们提出 LeafSkill——一个外部复用层，能够检索语义相关的落地经验，将动作模板绑定到当前对象和可接受动作上，并使用一个轻量级的 1.7 B 选择器来决定采用绑定后的动作，或将未改变的子任务交回原始代理。技能保持在模型参数之外，使得冻结的选择器能够利用训练后新增的经验。在词汇和句法同义改写下，精确匹配无法检索到参考动作，而语义检索能够保持 96.0% 与 97.0% 的候选覆盖率；冻结选择器采纳了 97.34% 的未见技能类型。在独立的 200 条 Robotouille 任务确认集上，LeafSkill 完成 137 条任务，而 ReCAP 完成 121 条（68.5% 对 60.5%，McNemar 精确检验 p=.0259）。在两者均完成的 106 条任务中，LeafSkill 将 Qwen3.5-27B 的 token 使用量降低 14.42%，调用次数降低 14.08%。另一次持出重复实验也显示出 9.0 分的成功率提升和 18.98% 的 token 减少。可复用的叶层落地因此能够提升任务完成率，同时在不替代高层规划的前提下降低主模型推理成本。
点评