Pesquisadores propõem o SkillComposer para abordar o gargalo na seleção de composições de habilidades apropriadas para agentes LLM, formalizando-o como composição estruturada de habilidades. Esta abordagem prevê conjuntamente o subconjunto ativado, a contagem e a ordem de execução das habilidades por meio da previsão de sequência de habilidades condicionada à tarefa.
- O SkillComposer usa um decodificador autoregressivo restrito sobre identificadores de habilidades para capturar dependências entre habilidades sucessivas em uma única passagem.
- O modelo é treinado em pares de tarefa-composição derivados de uma biblioteca de habilidades real, curada por humanos.
- Avaliações no SkillsBench mostram que o SkillComposer aumenta a taxa de aprovação em +23.1pp e +18.2pp sobre a linha de base sem habilidade no GPT-5.2-Codex e Gemini-3-Pro-Preview, respectivamente.
- O método supera o desempenho de recuperação top-3 enquanto iguala o limite superior de recuperação da habilidade ideal com um custo menor em tokens de prompt.
Esta abordagem melhora o sucesso de tarefas subsequentes para agentes de codificação de grau industrial ao fornecer uma maneira mais eficaz de compor habilidades a partir de bibliotecas em crescimento.