阿里发布SkillWeaver能降多少token？
仔细读SkillWeaver论文后，我觉得真正值得关注的不是99.9%这个数字，而是SAD（Skill-Aware Decomposition）这个机制本身。它做的事情很优雅：先用LLM粗拆任务，再用检索器去技能库捞候选工具，然后把这些工具信息"喂回"LLM让它重写分解结果——这一来一回，分解准确率从51%直接拉到67.7%，困难任务上甚至提升50%。这种"用工具反推任务粒度"的思路在工程上叫grounding，跟我们做RAG时"先检索再让模型回答"是一个套路，只是搬到了任务分解层。我自己踩过最大的坑就是：让模型拆任务时拆得太粗，下游工具匹配不上；拆得太细，又会出现子任务间依赖关系对不上。SkillWeaver这套SAD本质上是把"任务分解的粒度对齐到工具库的粒度"这件事自动化了，论文里说标准LLM分解的CatR@1只有34.2%，加上SAD直接+32.7%，这种"低成本高收益"的改进在Agent领域真的不多见。它和SkillReducer那种"压缩式瘦身"是两条完全不同的路线——后者是减体积，前者是提精度，组合起来用才是真杀器。
发布于 福建
分享
评论
赞
未登录
友善发言
评论
加载中
