SLIM框架动态管理大模型智能体外部技能

大模型智能体（LLM Agent）正从单纯的对话系统向能够执行连续决策的自主系统演进。在这一过程中，如何高效管理智能体的外部能力成为行业亟待解决的关键问题。香港中文大学研究团队近期提出的SLIM框架，为这一挑战提供了创新解决方案。

在网页搜索、自动办公及具身机器人等复杂长时序场景中，智能体往往需要调用外部技能来处理易错和长尾步骤。然而，传统方法存在明显缺陷：要么倾向于不断累积技能，导致检索噪声和上下文干扰剧增；要么追求“零技能推理”，将所有能力硬塞进模型参数，从而丢失局部但关键的能力。

SLIM框架的核心创新在于将外部技能视作一个拥有生命周期的动态能力系统。在训练阶段，系统会基于当前状态精细化检索通用或任务专属技能，并利用GRPO算法更新智能体的决策策略。随后，系统通过独特的“留一法”（leave-one-skill-out）进行技能审计：通过临时禁用某个技能来评估其边际外部贡献。若禁用后表现明显下滑，则“保留”该技能；若贡献长期处于低位，说明模型已吸纳该能力或其产生干扰，则让其“退休”；而面对持续失败的新场景，系统会通过“扩展”机制从失败案例中总结并补足新技能。

实验结果表明，SLIM框架在整体表现上平均超过现有最佳对比方法7.1个百分点。在更偏动作执行、步骤复杂的ALFWorld家庭环境任务中，SLIM凭借精简且高效的外部技能管理，斩获了87.5%的成功率，远超强基线方法SkillRL的75.0%。在更偏信息检索与推理的SearchQA任务中，SLIM同样表现出强劲的竞争力，并验证了模型能够将部分搜索策略内化吸收的技术路径。

业内分析人士指出，SLIM的核心价值在于将外部技能库从固定的辅助工具，升维成了可与策略协同优化的训练对象。它不仅在技术层面上明确了“哪些能力该写入模型，哪些能力该留在外部”，更让大模型智能体学会了在复杂多变的环境中何时寻求外部支持。这种动态化的能力管理范式，为下一阶段具身智能与大模型Agent走向大规模产业化应用奠定了扎实的理论与工程基础。