你的AI智能体不应看到所有工具

在代理式人工智能（Agentic AI）领域，一个反直觉的发现正在颠覆现有的设计范式：智能体之所以表现不佳，往往不是因为它知道的太少，而是因为它“看见”了太多工具。DPO的最新研究指出，当前主流的全量工具注入提示词（Prompt）的方式，正成为制约AI代理性能的核心瓶颈。一种名为“技能检索增强”（Skill Retrieval Augmentation）的新方法，试图通过将技能库移出提示词窗口，仅在任务执行时检索所需片段，来破解这一困局。然而，这一策略同时将“能力选择”本身推向了下一代代理式AI的前沿挑战。

传统的代理系统在设计时，通常将所有可调用工具的函数定义、API描述和技能规则直接嵌入到大型语言模型（LLM）的上下文窗口中。这种做法在工具数量较少时尚可运作，但随着企业级代理需要维护成百上千个微技能，提示词迅速膨胀，导致模型注意力分散、推理精度下降，甚至出现“工具幻觉”——智能体在无关工具中选取错误的操作。DPO提出的“技能检索增强”（SRA）框架，借鉴了检索增强生成（RAG）的成功经验，将技能和工具的存储与调用解耦。在运行时，系统根据用户意图和上下文，从一个外部技能库中检索出最相关的子集，再将其注入提示。

然而，SRA并非终点。研究指出，尽管减少了提示中的噪音，能力选择（Capability Selection）本身成为了系统的新瓶颈。如何确保检索到的工具集合恰好满足任务需求，避免过度检索或遗漏关键能力，将是代理式AI工程化落地下一个必须攻克的难题。相关成果已整理成论文《Skill Retrieval Augmentation for Agentic AI》，供学术界和工业界参考。