SkillBrew: Multi-Objective Curation of Skill Banks for LLM Agents
面向LLM智能体的多目标技能库优化框架
🧭 LLM Agent 技能库的多目标全局优化 ★ 深度解读
City University of Hong Kong · Squirrel Ai Learning · University of Science and Technology of China · University of California, San Diego · Griffith University
提出SkillBrew，通过效用-多样性-覆盖度多目标全局优化解决技能库膨胀与冗余问题
📌 工作参考价值（4 点）
- 技能库不应只增不减，可引入效用、多样性和覆盖度三目标联合评价，避免冗余或低效技能挤占检索槽位。
- 通过反事实重放（leave-one-out replay）量化单个技能的边际贡献，为编辑决策（KEEP / REWRITE / REMOVE）提供细粒度信号，可在Agent日常运行中低成本积累证据。
- 双层 propose-then-verify 循环可分隔提议与验证，避免过拟合：用支持集产生编辑候选，在查询集上帕累托选择，保证推广性。
- 技能库跨模型迁移能力强，可为电商对话Agent或推荐Agent构建通用决策知识库，通过持续 curation 提升推荐逻辑的稳定性与覆盖度。