LeafSkill 通过外部技能层实现递归 LLM 智能体的高效动作落地与推理降本

该论文提出 LeafSkill，一种用于递归大语言模型智能体的外部复用层，旨在解决智能体在分解长周期任务后，反复调用同一大型模型将熟悉指令翻译为可执行动作的低效问题。研究发现高层规划具有任务特异性，而底层动作落地（leaf-level action grounding）在不同任务间高度重复且可被环境验证，因此 LeafSkill 通过检索语义相关的落地经验、绑定动作模板至当前对象及允许动作，并利用轻量级 1.7B 选择器决定直接采用绑定动作或将子任务回退给原智能体，从而在不修改模型参数的情况下实现技能复用。

实验数据显示，在 Lexical 和 Syntactic 改写下精确匹配无法检索参考动作，但语义检索分别保留了 96.0% 和 97.0% 的候选覆盖率；冻结的选择器在未见过的新技能类型中采用了 97.34% 的案例。在包含 200 个 Robotouille 任务的独立确认集上，LeafSkill 完成了 137 个任务，优于 ReCAP 的 121 个任务（成功率分别为 68.5% 对 60.5%，McNemar p=0.0259）。在两者均完成的 106 个任务中，LeafSkill 使 Qwen3.5-27B 模型的 Token 消耗减少 14.42%，调用次数减少 14.08%；另一组保留测试集显示成功增益达 9.0 点，Token 减少 18.98%。

事实层面，LeafSkill 通过外部机制而非参数微调实现了动作落地复用，并在特定基准上同时提升了成功率和降低了推理成本。推断层面，这种架构表明对于长周期 Agent 任务，将高频重复的原子动作逻辑剥离出主模型是可行的优化方向，可能改变当前过度依赖大模型进行所有步骤决策的工程实践。猜测层面，若该外部技能库能持续积累跨任务的经验，其边际成本将进一步降低，但具体在复杂动态环境中的泛化能力仍需更多领域验证。