1. 问题与动机

LLM agent 通过组合多个 skill 完成复杂任务，skill 检索是 agent 执行前的前置环节。论文指出一个被现有方法忽视的本质差异：skill 检索不同于文档检索，top-K 的联合正确性不仅取决于每个 query-skill 对的独立语义相关性，还取决于被一起召回的 skill 能否在该 query 下协同执行（skill compatibility），而这一点无法从独立相关性推导。作者给出量化证据：把 skill body 隐藏（只留描述）会让路由准确率掉 31–44 个百分点，说明 skill 之间高度相似、body 才是真正的路由信号；在近邻约束采样下，k=2 时同子簇组合仅 56.3% 被判定可执行，k=3 时同超域组合仅 36.5% 可接受，en2zh 跨语言 k=3 的 SKIP 率高达 80.9%。动机还来自工程现实：完整 skill 库加载约需 2120 万 token（单 skill 均值 2073、p99 达 9983 token），远超单次上下文窗口，且每个会话沙箱只能装必要 skill，全量安装会让冷启动延迟随库规模线性恶化。作者把联合命中近似为 Pr[S⊆top-K|q] ≈ ∏Pr[s∈top-K|q]·C(q,S)，其中 C(q,S*)<1 即表示存在相关但不该共同召回的冲突 skill。

2. 方法详解

论文提出两阶段检索器 R3。Stage 1 R3-Embedding 是 bi-encoder，基于 Qwen3-Embedding-0.6B 微调，共享编码器做 L2 归一化，用 InfoNCE 训练：L = -log[exp(e(q)·e(s+)/τ) / Σ exp(e(q)·e(c)/τ)]，候选池为 ground-truth skill 加 n 个 BM25 难负例，温度 τ>0。关键设计是不在 embedding 阶段注入 SKIP 负例——附录 B 的双边平衡分析说明：共享表征 e(s') 在 query q 下被"推开"（s' 是 SKIP），却在另一 query q̃ 下被"拉近"（s' 是正例），梯度相互抵消，使任一 query 的兼容性信号被稀释，实测增益仅约 0.6pp。Stage 2 R3-Reranker 是 cross-encoder，基于 Qwen3-Reranker-0.6B，用分级 ListNet 训练：标签 label(s)=3（真值 skill）/1（SKIP partner）/0（其它），y_s 由 softmax 归一化、p_s 由 cross-encoder 打分，L = -Σ y_s log p_s。输入为 R3-Embedding 的 top-20 加真值与补齐到 10 的 SKIP partner。由于 cross-encoder 对每个 query-skill 对独立打分、不存在共享表征的几何折中，SKIP 兼容性信号在此阶段才真正生效。

3. 核心技术贡献

(1) 形式化 skill compatibility 并定位监督失效点：把联合召回分解为相关性项与兼容性项 C(q,S*)，并通过双边平衡分析证明该信号在 bi-encoder 的共享表征里必然被稀释、只能在 cross-encoder 阶段建模，这是对"召回阶段也注入负例就好"直觉的纠偏。(2) Reject-as-Resource (R3) 数据范式：LLM 判定一组 skill 为 WRITE 则保存为正样本，判为 SKIP 不丢弃而是转为负监督，把传统会被扔掉的拒绝样本变成兼容性训练信号。(3) 近邻硬约束采样：用 BGE-M3 嵌入做 K-means（40 子簇并为 8 超域），k=2 强制同子簇、k=3 强制同超域（100% 合规），逼出"语义都相关但不可共执行"的困难组合，否则随机采样几乎采不到有意义的 SKIP。(4) 分级标签：SKIP partner 给中间分 1 而非 0，让 reranker 学会把冲突 skill 排在真值之下但仍高于完全无关项。

4. 实验结果分析

主表（R3-Skill 测试集，10246 个 skill）：仅 R3-Embedding 时 Hit@1=0.7024、NDCG@10=0.8064、Set-Compat=0.2218；加 R3-Reranker 后 Hit@1=0.7714（+6.9pp）、NDCG@10=0.8327（+2.63pp）、Set-Compat=0.3525（+13.07pp）；R@10 反而略降 1.14pp，说明重排牺牲少量纯召回换取大幅兼容性提升。Set-Compat（真值集合是否联合进入 top-m）增益最大，正好印证 SKIP 信号只在 cross-encoder 生效。baseline 对比悬殊：BM25 Hit@1 仅 0.0604，BGE-M3 base 0.3980，Qwen3-Embedding-0.6B base 0.4312，微调后 R3-Embedding 提到 0.7024。SKIP 消融最关键：embedding 阶段加 SKIP 反而 -0.31pp Hit@1、-0.60pp Set-Compat（有害），reranker 阶段加 SKIP 则 +4.83pp Hit@1、+3.37pp Set-Compat（有益），定量验证了双边平衡理论。跨语言看，en2zh（英文 skill+中文 query，最贴近真实部署）reranker 带来 +13.34pp Set-Compat，说明 dual-encoder 无法处理双语链式组合。泛化性上 R3-Embedding 迁到 SkillRet 官方测试 NDCG@10=77.94，与基线 78.03 基本持平，无灾难性遗忘。拒绝原因分布（15962 条可分类 SKIP）以 domain_mismatch 45.9%、forced_chaining 33.9% 为主。

5. 局限与未来方向

作者明确列出：(1) 中文 skill 极少（246 vs 94966 英文），反映生态不平衡；(2) 数据依赖 LLM 标注，虽用跨源 LLM（训练 DeepSeek-V4-Pro、测试 Qwen3-235B-A22B）加专家校验，但真值上限仍受 LLM 判断质量约束；(3) 未做按拒绝原因、几何距离、k∈{1,2,3} 的细粒度压力切片；(4) 测试校验仅内部团队完成，建议第三方盲检；(5) 离线指标与生产现实有差距——query 措辞漂移、业务指标（CTR、完成率）、用户画像排序、端到端链路均未覆盖；(6) reranker 池固定 top-20，扩到 50/100 对 Set-Compat 的影响未探究。这些局限大多诚实指向"离线到线上"的迁移风险。

6. 工业实践意义

对搜索/推荐从业者，最直接的可迁移设计是把"召回单元能否协同"显式建模，而非只追求单条相关。社区搜索里"多片段拼装答案"场景同构：召回的 N 条 UGC 应互补覆盖 query 的多个子意图，而非各自都沾边却重复或冲突——可借鉴 R3 把"被拒绝的组合"留作负监督，而不是只用点击正样本。架构层面，"轻量 bi-encoder 召回 + 轻量 cross-encoder 重排兼容性"的两段式与现有召回-精排链路天然对齐，且两个模型都只有 0.6B，重排只在 top-20 上跑，线上算力可控。一个值得直接采纳的结论是：兼容性/冲突类负信号不要塞进双塔召回（会因共享表征被稀释甚至反伤指标），应放到精排的 cross-encoder 用分级标签学习。需注意论文未给在线 A/B，离线 Set-Compat 增益能否转化为线上相关性/CTR 仍待验证；中文场景数据稀疏也提示直接套用前需自建中文 skill/UGC 兼容性样本。