SkillTrace框架实现智能体技能复用审计

随着大语言模型智能体生态的快速发展，可复用技能正成为其核心组件。这些技能并非单纯的代码包，而是融合了元数据、自然语言指令、代码、工具、参考文档以及运行工作流的跨模态组合。当技能逐渐演变为市场化的数字商品，对技能复用行为的审计便不再等同于传统的代码克隆检测。现有检测工具多聚焦于单一模态的源代码或整包相似度，却忽略了技能复用证据往往分散在文本描述、实现片段和运行结构等多个层面，因此容易漏掉仅保留技能某一部分的复用行为。

针对这一挑战，研究团队提出了SKILLTRACE——一种面向LLM智能体技能复用的多轨迹溯源审计框架。该框架从技能中提取三条独立的溯源轨迹：表达轨迹（Expression）、实现轨迹（Implementation）和操作轨迹（Operational）。其中，操作轨迹被建模为技能操作图（SOG），用以捕获技能的激活条件、执行过程以及资源流动结构。这种多维度的表示方式，使得审计不再局限于单一代码相似性，而是能够从不同层面捕捉复用的蛛丝马迹。

SKILLTRACE的设计在效率与准确性之间取得了巧妙平衡。在技能入库阶段，框架仅借助大语言模型辅助完成操作轨迹的提取，且这一过程只执行一次。而在实际审计阶段，SKILLTRACE完全不依赖大语言模型，而是对缓存的轨迹进行确定性比较，并针对每条轨迹使用同功能的严格负样本进行校准，最终输出哪一条轨迹支撑了复用判定结果。这种“一次提取、多次审计”的架构，不仅降低了运行成本，还提高了审计结果的可解释性和可重现性。

为了验证框架的有效性，研究团队构建了SKILLTRACE-BENCH基准测试集，其中包含820个经过变换的复用正样本，覆盖100个市场锚点技能，以及751个负对照样本。实验结果显示，SKILLTRACE在AUROC指标上达到0.938，F1分数达到0.898，展现出优秀的复用检测能力。此外，研究团队还进行了一项包含36446个技能的野外审计，结果表明，基于溯源归因的证据能够生成比仓库级基线更可操作的复用审查队列，从而帮助平台或开发者更高效地识别潜在的知识产权风险和不当复用行为。

SKILLTRACE的提出，为LLM智能体技能市场的治理提供了技术基础。它改变了以往仅靠整体相似度打分的粗放模式，转而通过细粒度的溯源轨迹来揭示复用的具体维度。无论是表达层面的措辞沿用、实现层面的代码片段复用，还是操作层面的流程结构模仿，SKILLTRACE都能独立给出判断依据。这种多轨迹审计思路，对于构建公平、透明的技能交易生态具有重要意义，也为未来智能体环境下更复杂的知识产权保护工具开辟了新的方向。

随着技能市场不断繁荣，可以预见，类似SKILLTRACE的溯源审计技术将成为基础设施的一部分。它不仅服务于合规审查，也能帮助开发者理解自身技能被二次创作的方式，从而促进良性的技能迭代与创新。