发表机构
Huawei Technologies Co., Ltd.; Tongji University School of Medicine（华为技术有限公司; 同济大学医学院）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
SkillContrast是一种无需训练的文本选择器，通过保留检索技能的差异文本，在SameCapRisk-Bench上相比TF-IDF查询选择提升了智能体技能重排序的干净命中数，同时减少了模型输入标记。
AI 中文摘要
相似的智能体技能可能共享指令，但使用条件存在差异。基于查询的文本选择可能会保留共享指令，却忽略这些差异。我们提出SkillContrast，这是一种无需训练的选择器，可比较检索到的技能，为预训练的重排序器保留带有局部上下文的差异文本。在来自SameCapRisk-Bench的1235个请求上，在相同的每个候选输入长度下，它比TF-IDF查询选择多产生54-72个干净命中（即检索到有用技能且无其标记的风险同类技能的请求），且在2种检索器和2种重排序器规模下均如此。长度匹配的组件替换表明，在主要设置中，差异文本是主要贡献因素，而较小的混合上下文效应也存在。与完整技能文本相比，SkillContrast使用的模型输入标记减少了51.1-58.8%，在0.6B规模下干净命中数少10-18个，在4B规模下干净命中数匹配或更高。因此，相对于完整技能的差异补充了查询相关性，用于选择紧凑的重排序输入。
英文摘要
Similar agent skills can share instructions but differ in their conditions of use. Query-based text selection may retain shared instructions and omit these distinctions. We introduce SkillContrast, a training-free selector that compares retrieved skills and retains their differing text with local context for a pretrained reranker. On 1,235 requests from SameCapRisk-Bench, it yields 54-72 more clean hits (requests that retrieve a helpful skill without its marked risky sibling) than TF-IDF query selection at identical per-candidate input lengths, across 2 retrievers and 2 reranker sizes. Length-matched component replacements identify differing text as the main contributor in the primary setting, with smaller, mixed context effects. Relative to full skill bodies, SkillContrast uses 51.1-58.8% fewer model-input tokens, with 10-18 fewer clean hits at 0.6B and matching or higher observed clean-hit counts at 4B. Candidate-relative differences thus complement query relevance in selecting compact reranking inputs.
Comments5 pages, 2 figures, 3 tables
