SoK: Агентные навыки — за пределами использования инструментов в LLM-агентах
SoK: Agentic Skills -- Beyond Tool Use in LLM Agents
2026-02-24
SCID: 54.1/4bxtzjc9
Discuss with AI
LLM-агентыбезопасность агентовагентные навыкипроцедурные знаниябиблиотеки навыков
Figures from the paper
Abstract (AI)
Агентные системы все чаще полагаются на повторно используемые процедурные возможности, также называемые агентными навыками, для надежного выполнения длительных рабочих процессов. Эти возможности представляют собой вызываемые модули, объединяющие процедурные знания с явными условиями применимости, политиками выполнения, критериями завершения и повторно используемыми интерфейсами. В отличие от разовых планов или атомарных вызовов инструментов, навыки применимы к различным задачам и зачастую обеспечивают высокую эффективность. В статье рассматривается слой навыков на протяжении всего жизненного цикла — от обнаружения, практического освоения и дистилляции до хранения, композиции, оценки и обновления, — и вводятся две взаимодополняющие таксономии. Первая представляет собой системный набор из семи проектных паттернов, отражающих способы упаковки и выполнения навыков на практике: от поэтапного раскрытия на основе метаданных и навыков в форме исполняемого кода до саморазвивающихся библиотек и распространения через маркетплейсы. Вторая представляет собой ортогональную таксономию «представление × область действия», описывающую, чем являются навыки — естественным языком, кодом, политикой или гибридом, — и в каких средах они работают, включая веб, операционные системы, программную инженерию и робототехнику. Анализируются последствия использования агентных навыков для безопасности и управления, включая риски цепочки поставок, внедрение промптов через содержимое навыков и выполнение с учетом уровней доверия; анализ основан на тематическом исследовании кампании ClawHavoc, в ходе которой почти 1 200 вредоносных навыков проникли на крупную площадку для агентов и в масштабах всей платформы похищали ключи API, криптовалютные кошельки и учетные данные браузеров. Кроме того, рассматриваются детерминированные подходы к оценке, опирающиеся на недавние результаты бенчмарков: отобранные навыки могут существенно повышать долю успешных действий агентов, тогда как навыки, сгенерированные ими самостоятельно, способны снижать ее. В заключение обозначаются нерешенные задачи, связанные с созданием надежных, верифицируемых и сертифицируемых навыков для автономных агентов, работающих в реальном мире.
Key Findings
1
Агентные навыки представляют собой повторно используемые процедурные модули, которые превосходят разовые планы и атомарные инструменты, задавая условия применимости, политики выполнения, критерии завершения и интерфейсы.
2
Ортогональная таксономия «представление × область» классифицирует навыки по форме — естественный язык, код, политика или гибрид — и по среде применения, включая веб, операционные системы, разработку ПО и робототехнику.
3
Данные бенчмарков показывают, что отобранные навыки могут существенно повышать успешность агентов, тогда как самостоятельно сгенерированные навыки способны ухудшать результаты, что требует детерминированной оценки и более строгой верификации.
4
Агентные системы на основе навыков создают существенные риски безопасности и управления; это показано кампанией ClawHavoc, в ходе которой почти 1 200 вредоносных навыков похитили API-ключи, криптовалютные кошельки и данные браузеров.
5
Статья описывает полный жизненный цикл агентных навыков и выделяет семь системных шаблонов, охватывающих упаковку, выполнение, саморазвитие и распространение через маркетплейсы.
Research Object
агентные навыки в автономных агентах на основе LLM
Research Subject
жизненный цикл, представления, паттерны выполнения, оценка, безопасность и управление агентными навыками
Publication Details
Publication Date
2026-02-24
Journal
Publisher
ISSN
Cited by
157
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai4
Обзор автономных агентов на основе больших языковых моделей2024
Генеративные агенты: интерактивные симулякры человеческого поведения2023
Не то, на что вы подписывались: компрометация реальных приложений, интегрированных с большими языковыми моделями, с помощью косвенного внедрения промптов2023
AgentTuning: развитие обобщённых агентских способностей больших языковых моделей2024