大型语言模型（LLM）能够将自然语言描述的优化任务转化为求解器验证的答案，但现有的智能体在叙述改写下仍然脆弱，并且往往只在实例层面存储可复用经验。我们提出 \textsc{ArchOR}，一种以原型为中心的技能智能体，在 \textsc{OptSkills} 基础上加入了两个检索聚焦模块。\textbf{Centroid-Aware Representation Learning}（CARL）通过低秩原型残差对缓存的技能表征进行排序细化。\textbf{Signature-Guided Retrieval}（S\textsuperscript{3}R）为每个技能附加开放维度的结构签名，使用加权 Jaccard 重叠度对候选进行优先排序，并将语义二次排序限制在前 $K$ 名集合内。一个保持基线的仲裁规则决定何时使用结构化路径替代原始选择器。使用相同的 DeepSeek-V4.1-Flash 骨干模型和公开的技能库，\textsc{ArchOR} 在五个基准上实现了 $65.00\%$ Micro-Avg. Pass@1，较 \textsc{OptSkills} 提升 $1.64$ 个百分点的 Micro-Avg. 和 $2.68$ 个百分点的 Macro-Avg.\n\n点评：ArchOR 通过原型感知表示和结构签名检索显著提升了技能复用的鲁棒性和整体性能，展示了在大模型驱动的优化建模中引入结构感知机制的潜力。