Peneliti mengusulkan SkillComposer untuk mengatasi hambatan dalam memilih komposisi keterampilan yang tepat untuk agen LLM dengan memformalkannya sebagai komposisi keterampilan terstruktur. Pendekatan ini secara bersamaan memprediksi subset yang diaktifkan, jumlah, dan urutan eksekusi keterampilan melalui prediksi sekuens keterampilan yang dikondisikan oleh tugas.
- SkillComposer menggunakan decoder autoregresif terkendali atas identifikasi keterampilan untuk menangkap ketergantungan antara keterampilan berturut-turut dalam satu kali lewati.
- Model ini dilatih pada pasangan tugas-komposisi yang berasal dari perpustakaan keterampilan nyata yang dikurasi oleh manusia.
- Evaluasi pada SkillsBench menunjukkan bahwa SkillComposer meningkatkan tingkat lulus sebesar +23,1pp dan +18,2pp dibandingkan dengan baseline tanpa keterampilan pada GPT-5.2-Codex dan Gemini-3-Pro-Preview masing-masing.
- Metode ini melampaui kinerja pengambilan top-3 sambil mencapai batas atas pengambilan keterampilan ideal dengan biaya token prompt yang lebih rendah.
Pendekatan ini meningkatkan keberhasilan tugas turunan untuk agen pemrograman tingkat produksi dengan menyediakan cara yang lebih efektif untuk menyusun keterampilan dari perpustakaan yang terus berkembang.