엔터프라이즈 AI 에이전트는 대규모 스킬 라이브러리에서 하위 작업을 올바른 도구로 라우팅하는 데 어려움을 겪습니다. 새로운 프레임워크인 SkillWeaver는 실행 그래프를 생성하고 각 작업 노드에 적합한 스킬을 선택하여 이를 해결합니다. 도구 선택을 반복적으로 개선하는 피드백 루프인 Skill-Aware Decomposition(SAD)을 도입합니다. 이러한 구성적 접근 방식과 피드백 메커니즘은 원샷 도구 라우팅 프레임워크와 다릅니다. SkillWeaver는 다단계 비즈니스 운영을 위한 생태계를 오케스트레이션하는 AI 에이전트와 관련이 있습니다. 실험 결과 SkillWeaver는 정확도를 크게 향상시키고 토큰 소비를 99% 이상 줄이는 것으로 나타났습니다. 작업 분해의 세분성이 정확한 도구 검색의 주요 병목 현상으로 확인되었습니다. 현재 도구 사용 프레임워크는 여러 스킬이 필요한 복잡하고 구성적인 실제 쿼리에서 종종 실패합니다. SkillWeaver의 세 가지 단계인 Decompose, Retrieve, Compose는 쿼리를 분해하고, 후보 도구를 식별하며, 실행을 계획합니다. SAD는 검색된 스킬을 LLM에 다시 피드백하여 더 나은 어휘 및 세분성 정렬을 통해 분해를 향상시킵니다. 특히 SAD를 통한 이러한 반복적 접근 방식은 복잡한 작업의 분해 정확도를 극적으로 향상시킵니다. SkillWeaver의 검색 및 라우팅 전략은 전체 도구 라이브러리를 한 번에 노출하는 것에 비해 토큰 사용량을 대폭 줄입니다. 개발자는 기존 라이브러리를 사용하여 SAD 및 검색 구성 요소를 구현할 수 있지만, 프로덕션 환경에서는 오류 복구 메커니즘을 별도로 구축해야 합니다.