技能並非一體適用：MASA 框架透過模型感知對齊，顯著優化大型語言模型代理人的任務執行效能

本研究提出 MASA 框架，針對不同規模的大型語言模型自動調整外部技能指令。透過階層式演化與輕量化重寫器，解決了技能與模型能力不匹配的問題，大幅提升代理人在複雜環境下的表現。

Problem

現有的大型語言模型（LLM）代理人通常假設外部技能庫是模型無關的，忽視了不同參數量與架構的模型在指令理解與執行行為上的顯著差異。實驗顯示，對特定模型有效的技能，若直接用於其他模型可能會損害效能。這種「一體適用」的設計限制了代理人在長程互動式任務中的適應力與效率。

研究團隊開發了 MASA（模型感知技能對齊）框架。該框架分為兩個階段：首先，利用階層式技能演化管線，結合爬山演算法與 UCB 驅動的樹狀搜尋，根據環境回饋與模型特性自動重寫技能；其次，訓練一個輕量化的模型條件技能重寫器，使其能學習演化軌跡，僅需單次推論即可將通用技能轉化為適合目標模型的特定指令。

在三種互動環境與四種骨幹模型的測試中，MASA 一致取得最佳表現，較最強基線方案提升高達 25.8 分。此外，訓練出的重寫器展現出優異的泛化能力，能直接應用於未見過的任務與環境，且在推論成本極低的情況下，表現優於體積更巨大的老師模型。

此研究揭示了技能指令與模型能力對齊的重要性，提供了一套無需修改模型權重即可優化代理人效能的系統化方案。MASA 框架不僅解決了異質模型間的技能遷移難題，也為開發高效、低成本且具備高度適應性的 LLM 代理系統提供了關鍵技術路徑。