LLM Agent 系统技能的扩展规律

随着代理系统的规模扩大，技能会累积成大型可重用库，但其扩展规律仍不完全理解。我们在15个前沿大语言模型、1141个真实世界技能以及超过300万路由或执行决策中，确定了两个耦合的规律。路由规律：单步路由准确率随库大小对数衰减（$R^2{>}0.97$），错误从局部技能竞争转为跨族漂移和被过于宽泛的“黑洞技能”捕获。执行规律：在状态实现之前，联合路由约为乘法，而正确执行可使困难的下游决策约提高$4{\times}$。一个参数——路由对数衰减斜率$b$——耦合了这两个规律：路由侧拟合预测了执行侧的拯救，表明相同的库属性控制了执行前的崩溃以及下游的可恢复性。这些规律是可操作的：依据规律导向的优化将 held-out路由准确率从71.3%提升至91.7%，将劫持率从22.4%降至4.1%，并在下游ClawBench和ClawMark执行设置中实现方向性迁移，将ClawBench的平均通过率从49.3%提升至61.6%，将ClawMark的平均通过率从28.4%提升至34.5%。这些结果表明，代理系统的性能不仅取决于模型能力，还取决于技能库的结构、粒度和暴露策略。