[控场AI]
· 4 分钟阅读· 2,195 字

从流程到权限:Agent Skills如何教会子智能体精确授权

从流程到权限:Agent Skills如何教会子智能体精确授权

利用Agent Skills中的程序性知识作为监督信号,训练子智能体精确授权策略,同步提升权限精度与任务成功率。

文章探讨了多智能体协作中授权瓶颈问题,指出静态权限配置无法满足子任务细粒度需求,且仅靠任务结果难以监督授权是否恰当。论文提出利用Agent Skills编码的程序性知识作为监督来源,通过合成任务、执行验证轨迹构建授权训练数据。在ClawArena-Team基准上,该方法使工具权限精度提升13.4个百分点,工作区权限精度提升24.1个百分点,任务成功率提升11.6个百分点。在Terminal-Bench 2.1和SkillsBench上也保持竞争力。文章最后总结了三点启示:权限设计应从静态配置转向动态推导;训练数据可复用结构化知识;安全与性能可协同提升。

多智能体协作正成为语言智能体处理复杂任务的主流范式。当一个主智能体把任务拆解并委派给多个子智能体时,它不仅要决定“每个子智能体做什么”,还要决定“它能碰什么”——哪些工具可调用、哪些工作区资源可读写。后者恰恰是当前系统最薄弱的一环。

rss source: From Procedures to Permissions: Learning Precise Subagent Authorization from Agent Skills

授权为什么成了多智能体的瓶颈

现有智能体系统已经提供了控制工具和运行环境的机制,比如工具白名单、沙箱、权限配置文件。但这些机制通常是静态的、面向整个智能体的,并没有直接刻画每个被委派子任务真正需要的资源。

问题的难点在于监督信号缺失。仅看任务是否成功、执行轨迹是否合理,很难判断某个子智能体拿到的权限是过宽还是过窄——任务成功可能只是因为它碰巧没用到越权的工具,失败也可能与权限无关。换句话说,结果层面的反馈太稀疏,不足以训练出精确的授权策略。

论文提出的观察是:Agent Skills 本身编码了程序性知识,描述了每一步需要哪些操作、工具和文件。这为授权提供了天然的监督来源。

工具白名单是一种常见的权限控制机制,它明确列出智能体可以调用的工具(如搜索、代码执行、文件操作等),任何未列入的工具调用都会被阻止。沙箱则通过隔离运行环境(如容器、虚拟机)限制智能体对系统资源的访问,防止其执行危险操作或访问敏感数据。权限配置文件通常以声明式方式定义智能体可访问的资源范围(如特定目录、网络端口),并在运行时强制执行。这些机制虽然能提供基础安全保障,但通常是静态的、面向整个智能体的,无法根据子任务动态调整权限粒度。例如,一个子智能体可能只需要读取某个文件,却继承了主智能体的全部文件读写权限,导致权限过宽。

把技能变成授权训练数据

方法的核心路径可以概括为“合成—执行—验证—训练”。

研究团队从 Agent Skills 中合成任务及其分步流程,再在交互环境中通过子智能体委派的方式执行这些任务,最后用经过验证的轨迹构建两类训练数据:任务执行数据和授权数据。这样一来,每一步“应该拥有什么权限”都有了来自技能描述的直接标注,而不必依赖任务成败反推。

这一思路的价值在于把程序性知识复用为监督信号。技能文档里写明的操作、工具与文件,天然对应了子任务的最小权限集合,比人工设定规则更细粒度,也比纯结果反馈更密集。

Agent Skills 是一种结构化的程序性知识表示,通常以文档或配置文件形式存在,描述完成特定任务所需的步骤、工具调用和资源访问。例如,一个“数据清洗”技能可能包含“读取CSV文件”“调用pandas进行去重”“保存结果到指定路径”等步骤,每步都明确涉及的工具和文件。这种描述天然定义了每个子任务的最小权限集合,即执行该步骤所必需的工具和资源。因此,Agent Skills 不仅可作为任务执行的指导,还能为权限授权提供精确的监督信号,避免依赖稀疏的任务结果反馈。

实测效果:权限精度与任务成功率同步提升

在 ClawArena-Team 基准上,该方法对 Qwen3.5-35B-A3B 的效果提升体现在三个维度:工具权限精度提升 13.4 个百分点,工作区权限精度提升 24.1 个百分点,整体任务成功率提升 11.6 个百分点。

你可能没注意到,权限精度的提升并没有以牺牲任务成功率为代价,反而二者同向增长。这暗示了一个常被忽视的因果关系:给子智能体恰到好处的权限,本身就能减少越权操作带来的干扰和错误,从而让任务执行更顺畅。

在 Terminal-Bench 2.1 和 SkillsBench 上,该方法与现有智能体数据合成方法相比保持竞争力,说明它并非只在特定基准上奏效的特例。

ClawArena-Team 是一个用于评估多智能体协作中权限授权效果的基准测试环境,包含多种需要子智能体委派的复杂任务场景。Terminal-Bench 2.1 和 SkillsBench 则是评估智能体在终端操作和技能执行方面能力的基准,常用于比较不同数据合成方法的泛化性能。这些基准共同提供了对授权精度和任务成功率的量化评估,帮助验证方法在不同场景下的有效性。

对多智能体系统设计的启示

第一,权限设计应当从“静态配置”走向“按子任务动态推导”。既然技能描述已经写清了每步所需资源,就没有理由让子智能体继承主智能体的全部权限。

第二,训练数据的来源可以更聪明。与其只收集任务成败,不如把技能文档、流程说明这类结构化知识转化为监督信号,这在数据效率上更具优势。

第三,安全与性能并不矛盾。更精确的授权在降低越权风险的同时,还能提升任务成功率,这为多智能体系统的权限治理提供了正面论据。

论文的结论也很直接:Agent Skills 中嵌入的程序性知识,提供了一种仅靠任务结果无法获得的精确子智能体编排监督来源。对于正在构建多智能体协作系统的团队来说,这提示我们重新审视手头已有的技能文档——它们可能不只是说明书,还是权限策略的训练集。

#Agent Skills#子智能体授权#多智能体协作#工具权限#程序性知识#智能体数据合成#ClawArena-Team
分享:

相关推荐