Los investigadores proponen SkillComposer para abordar el cuello de botella en la selección de composiciones de habilidades apropiadas para agentes LLM, formalizándolo como composición estructurada de habilidades. Este enfoque predice conjuntamente el subconjunto activado, el recuento y el orden de ejecución de las habilidades mediante la predicción de secuencias de habilidades condicionadas por la tarea.
- SkillComposer utiliza un decodificador autoregresivo restringido sobre identificadores de habilidades para capturar dependencias entre habilidades sucesivas en un solo pase.
- El modelo se entrena en pares de tarea-composición derivados de una biblioteca de habilidades real, curada por humanos.
- Las evaluaciones en SkillsBench muestran que SkillComposer aumenta la tasa de aprobación en +23.1pp y +18.2pp sobre la línea base sin habilidades en GPT-5.2-Codex y Gemini-3-Pro-Preview respectivamente.
- El método supera el rendimiento de recuperación top-3 mientras iguala el límite superior de recuperación de habilidad dorada con un menor costo en tokens de prompt.
Este enfoque mejora el éxito de tareas posteriores para agentes de codificación de grado industrial al proporcionar una forma más efectiva de componer habilidades a partir de bibliotecas en crecimiento.