超越 Top-k 技能檢索：針對 LLM 代理的多元感知技能路由策略
為何重要
這項研究標誌著 LLM 代理技術正從功能可用性邁向資源最佳化階段——即如何選對「工具組合」而非單純選擇「最相關的單一工具」。這對開發者而言意味著在處理多步驟複雜任務時，有機會透過更精準的路由策略節省高昂的語境成本；對產業投資者來說，這意味著未來的代理生態優勢可能不只來自基礎模型能力，更取決於代理框架如何實現高效的工具排程與整合，這是評估代理應用商業化潛力的一個新切面。
大型語言模型（LLM）代理越來越依賴外部技能庫來完成任務，但複雜場景常需互補技能集，現有路由器因技能功能重複或排名演算法侷限，往往導致語境預算浪費。研究提出 *Diverse Skill Routing (DSR)* 框架，旨在透過演算法解決技能選擇的冗餘問題，並在特定基準測試中展現顯著成效。
- 現有路由器通常獨立根據查詢相關性排序候選技能，容易造成語境預算內的重疊與浪費。
- *DSR* 採用 *Determinantal Point Process* 平衡相關性與非重複性，並引入 *query-residual diversity kernel* 以減少過度懲罰。
- 在 *SkillRouter* 基準測試中，DSR 勝過強大的點對點重排序基線，提升了召回率並實現了更完整的覆蓋範圍。
- 研究結果顯示，路由器設計除了考慮關聯性，還需視為一種互補技能集合的選擇過程。