责任裁定任务（如法律指控判定）需要将事件描述与领域专属技能对照，以判断当事方是否应承担责任。大型语言模型（LLM）通过可执行技能提供可解释推理，已展现出一定潜力，但仍面临三大瓶颈：\n\n1. 随着真实场景的动态演化，技能库易于陈旧；\n2. 技能描述常出现语义执行差距，导致 LLM 的推理偏离专家逻辑；\n3. 技能数量增长超出上下文预算，关键技能可能被遗漏。\n\n为克服上述问题，本文提出 KDASO（Knowledge-Data Dual-Driven Automated Skill Optimization），核心包括：\n\n- 邻域条件归纳：基于最新裁定数据的相似样本，自动生成并更新技能；\n- 执行对齐细化：通过分析 LLM 的推理轨迹，对技能实现进行微调，使其更贴合专家执行路径；\n- 上下文预算路由：在给定上下文限制下，动态挑选最相关的技能集合，避免重要技能被截断。\n\n在网约车纠纷、法律责任判定以及逻辑推理等三类基准上，KDASO 相较于通用和领域专用基线均取得显著提升。跨概念相似场景的迁移实验显示，KDASO 的性能提升达 8.96%，且在持续优化过程中保持稳定增益，验证了生成技能的高迁移性与鲁棒性。\n\n点评：KDASO 通过知识与数据的双向驱动，实现了技能库的自适应进化和上下文感知选择，为 LLM 在法律等高风险领域的可解释推理提供了可行路径。