Проблема гранулярности прав в мультиагентных системах
По мере усложнения задач, решаемых языковыми агентами, возникает критическая потребность в координации нескольких специализированных субагентов. Существующие системы позволяют контролировать инструменты и среду выполнения, но не предоставляют механизмов для прямого указания ресурсов, необходимых каждому делегированному подзадаче. Традиционный подход, основанный на анализе траекторий выполнения и конечных результатов, дает недостаточный сигнал для обучения: система не понимает, какие именно права были необходимы для успеха, а какие были избыточными или опасными.
Решение: Использование Agent Skills как источника супервизии
Авторы работы (Вэнькай Ю, Нин Дин, Вэнтао Чжан, Ехуи Тан) предложили использовать Agent Skills — структурированные процедурные знания, описывающие шаги, инструменты и файлы, требуемые на каждом этапе. На основе этих навыков синтезируются задачи и пошаговые процедуры, которые затем выполняются через делегирование субагентам в интерактивных средах. Верифицированные траектории используются для создания обучающих данных, позволяя модели учиться не только тому, что делать, но и какие именно права нужны для каждого действия.
Результаты на ClawArena-Team с Qwen3.5-35B-A3B
Метод демонстрирует статистически значимое улучшение метрик безопасности и эффективности. Ключевые показатели при тестировании на модели Qwen3.5-35B-A3B в среде ClawArena-Team приведены ниже:
| Метрика | Улучшение (delta) | Значение |
|---|---|---|
| Точность разрешений на инструменты (Tool Permission Precision) | +13.4 п.п. | Значительное снижение избыточных прав |
| Точность разрешений на рабочее пространство (Workspace Permission Precision) | +24.1 п.п. | Максимальный прирост в безопасности доступа к файлам |
| Общий успех выполнения задач (Task Success Rate) | +11.6 п.п. | Рост эффективности за счет оптимизации прав |
Конкурентоспособность на других бенчмарках
Помимо ClawArena-Team, метод показал конкурентоспособные результаты на Terminal-Bench 2.1 и SkillsBench, оставаясь на уровне или превосходя существующие подходы к синтезу данных для агентов. Это подтверждает, что процедурные знания из Agent Skills являются надежным источником супервизии для точной оркестровки субагентов, который недоступен при использовании только результатов выполнения задач.
Источник: arXiv cs.CL ↗