📖 AI 总结

本文针对工具调用型大语言模型智能体在企业级工具集下面临的安全扩展难题提出解决方案。作者指出，让智能体访问全部内部工具会导致上下文窗口膨胀、工具选择能力下降，以及治理漏洞——仅靠提示词定义的系统策略只是概率性建议，而非硬性约束；现有多智能体领域委派方案又会分散审计日志，无法跨会话保证策略合规。为此，作者提出skilder框架，将能力打包为"角色"，即技能、工具、指令及其边界的集合。智能体从最小角色目录起步，学习任务所需角色，并通过单一MCP服务器获取对应技能与工具，从而在结构上确定性地执行权限范围。研究在13项任务、6个模型（各10次运行）上对比了扁平上下文工具选择与多智能体编排，结果显示，当模型完成发现流程并发出受治理调用时，授权层未发生任何未授权工具调用或参数违规（如超支）。总体任务通过率还反映模型是否遵循发现协议并满足响应质量检查，这些失败并非授权失败。该框架允许智能体在任务中动态获取跨角色能力，在保持问题解决灵活性的同时实现系统级硬性执行。

🔑 关键词速览