Исследователи предлагают SkillComposer для решения проблемы выбора подходящих составов навыков для агентов с большими языковыми моделями, формализуя её как структурированную композицию навыков. Этот подход совместно предсказывает активированное подмножество, количество и порядок выполнения навыков через предсказание последовательности навыков, обусловленное задачей.
- SkillComposer использует ограниченный авторегрессионный декодер над идентификаторами навыков для захвата зависимостей между последовательными навыками за один проход.
- Модель обучается на парах «задача-композиция», полученных из реальной, курируемой человеком библиотеки навыков.
- Оценка на SkillsBench показывает, что SkillComposer повышает долю успешных прохождений на +23.1pp и +18.2pp по сравнению с базовым уровнем без навыков на GPT-5.2-Codex и Gemini-3-Pro-Preview соответственно.
- Метод превосходит производительность извлечения топ-3, совпадая с верхним пределом извлечения золотого навыка при меньшей стоимости в токенах промпта.
Этот подход повышает успешность последующих задач для производственных кодовых агентов, предоставляя более эффективный способ композиции навыков из растущих библиотек.