Les chercheurs proposent SkillComposer pour résoudre le goulot d'étranglement lié à la sélection des compositions de compétences appropriées pour les agents LLM en le formalisant comme une composition structurée de compétences. Cette approche prédit conjointement le sous-ensemble activé, le nombre et l'ordre d'exécution des compétences via une prédiction de séquence de compétences conditionnée par la tâche.
- SkillComposer utilise un décodeur autoregressif contraint sur les identifiants de compétences pour capturer les dépendances entre les compétences successives en un seul passage.
- Le modèle est entraîné sur des paires tâche-composition dérivées d'une bibliothèque de compétences réelle et curatée par des humains.
- Les évaluations sur SkillsBench montrent que SkillComposer augmente le taux de réussite de +23,1pp et +18,2pp par rapport à la ligne de base sans compétence sur GPT-5.2-Codex et Gemini-3-Pro-Preview respectivement.
- La méthode dépasse les performances de récupération des top-3 tout en atteignant la borne supérieure de récupération des compétences idéales avec un coût inférieur en tokens de prompt.
Cette approche améliore le succès des tâches en aval pour les agents de codage de niveau production en fournissant un moyen plus efficace de composer des compétences à partir de bibliothèques en croissance.