研究称大模型智能体在千级技能库下隐式路由失效，召回率从73.6%跌至27.4%

一项新发布的预印本研究指出，依赖元数据进行隐式路由的大语言模型（LLM）智能体在技能库规模扩大时会出现严重的“路由崩溃”。研究人员在SkillsBench基准测试中固定任务与核心技能，逐步增加无关技能数量，发现智能体加载相关技能的能力显著下降。

具体数据显示，当无关技能达到1000个时，已加载技能的召回率从73.6%骤降至27.4%，同时完全未加载任何技能的比率从9.3%飙升至51.6%。相比之下，采用显式选择机制的对照组在同一大规模库中仍保持了73.9%的召回率。

分析表明，这种性能衰退并非因为智能体错误地加载了其他看似合理的替代技能，而是源于无关技能描述带来的语义干扰，以及技能选择指令与任务执行指令之间的冲突。研究发现，仅屏蔽无关技能的描述即可在很大程度上恢复技能加载能力，但让智能体自行规划技能使用仍不如预先筛选有效。

该结果由Jinlin Liu等三位作者提出，目前为arXiv预印本（2026年10月13日提交），尚未经过独立复现。它提示开发者，随着智能体可用工具集的增长，隐式检索可能不再是可靠的扩展路径，显式预筛选或更严格的元数据隔离可能是必要的工程权衡。