연구자들은 LLM 에이전트의 적절한 기술 구성 선택이라는 병목 현상을 해결하기 위해 이를 구조화된 기술 구성으로 형식화하는 SkillComposer를 제안합니다. 이 접근 방식은 작업 조건부 기술 시퀀스 예측을 통해 활성화된 하위 집합, 수 및 실행 순서를 함께 예측합니다.
- SkillComposer는 연속적인 기술 간의 의존성을 단일 패스에서 포착하기 위해 기술 식별자에 대한 제약이 있는 자기회귀 디코더를 사용합니다.
- 이 모델은 실제 인간 큐레이션된 기술 라이브러리에서 파생된 작업-구성 쌍으로 학습됩니다.
- SkillsBench에서의 평가 결과, SkillComposer는 GPT-5.2-Codex 및 Gemini-3-Pro-Preview에서 각각 기술 없음 기준선 대비 +23.1pp 및 +18.2pp의 통과율 향상을 보였습니다.
- 이 방법은 더 낮은 프롬프트 토큰 비용으로 상위 3개 검색 성능을 초과하면서도 골드 기술 검색 상한선에 도달했습니다.
이 접근 방식은 성장하는 라이브러리에서 기술을 구성하는 더 효과적인 방법을 제공함으로써 프로덕션 등급 코딩 에이전트의 하류 작업 성공률을 향상시킵니다.