SkillsInjector: LLM 에이전트를 위한 동적 기술 컨텍스트 구성

SkillsInjector: Dynamic Skill Context Construction for LLM Agents

LLM 에이전트는 이제 복잡한 작업을 처리하기 위해 점점 더 많은 기술 라이브러리를 활용합니다. 그러나 더 많은 기술을 추가하는 것이 항상 작업 완료를 향상시키는 것은 아니며, 오히려 성능 저하를 초래할 수도 있습니다. 기존 방법은 여전히 기술 주입을 정적인 단계로 취급하며, 고정된 기준에 따라 기술을 선택하고 예산을 미리 설정하며 설명을 변경하지 않습니다. 우리는 이러한 정적인 접근 방식이 기술의 유용성을 훼손할 수 있다고 주장합니다. 왜냐하면 어떤 기술을 노출할지, 얼마나 많은 기술을 포함할지, 그리고 어떻게 제시할지는 모두 후속 성능에 영향을 미치기 때문입니다. 본 논문에서는 이러한 결정들을 동시에 해결하는 두 단계의 적응형 방법인 SkillsInjector를 제안합니다. 먼저, 컨텍스트 플래너는 실행 기반의 기술 선호도를 학습하고 각 작업에 대해 적응적인 수의 기술을 선택합니다. 그런 다음, 집합 인식 렌더러는 선택된 설명이 함께 주입된 다른 설명과 관련하여 어떻게 제시되는지를 조정합니다. tau2-bench, SkillsBench 및 ALFWorld 데이터셋에서 SkillsInjector는 가장 높은 점수를 달성했으며, 각각 최적의 기준 모델보다 3.9%, 6.1% 및 7.3% 향상되었습니다. 분석 결과, 기술 선택, 적응형 예산 설정, 그리고 집합 인식 렌더링이 모두 성능 향상에 기여하는 것으로 나타났습니다. 이러한 결과는 기술을 활용한 에이전트가 주입되는 컨텍스트 자체를 최적화함으로써 이점을 얻을 수 있음을 보여줍니다. 코드는 논문 게재 후 공개될 예정입니다.

LLM agents now draw on growing skill libraries to handle complex tasks. However, injecting more skills does not always improve task completion and can even degrade it. Existing methods still treat skill injection as a static step, selecting skills with fixed criteria, fixing the budget in advance, and leaving descriptions unchanged. We argue that this static treatment can undermine the utility of skills, because which skills are exposed, how many are included, and how they are presented all affect downstream performance. We propose SkillsInjector, a two-stage adaptive method that jointly addresses these decisions. First, a context planner learns execution-grounded skill preferences and admits an adaptive number of skills for each task. A set-aware renderer then tailors how selected descriptions are presented relative to their co-injected neighbors. Across tau2-bench, SkillsBench, and ALFWorld, SkillsInjector achieves the highest score, improving over the strongest baseline by 3.9, 6.1, and 7.3 percentage points, respectively. Ablation studies show that skill selection, adaptive budgeting, and set-aware rendering each contribute to the gain. These results show that skill-augmented agents benefit from optimizing the injected context itself. Code will be released upon publication