企业级 AI 代理在从大型技能库中将子任务路由到正确工具方面面临困难。SkillWeaver 是一个新框架，通过构建执行图并为每个任务节点选择适当的技能来解决这一问题。它引入了技能感知分解（Skill-Aware Decomposition, SAD），这是一个反馈循环，可迭代地优化工具选择。这种组合式方法与一次性工具路由框架不同。SkillWeaver 适用于编排多步骤业务操作的生态系统中的 AI 代理。实验表明，SkillWeaver 显著提高了准确率，并将 token 消耗减少了超过 99%。任务分解的粒度被确定为准确工具检索的主要瓶颈。当前的工具使用框架在处理需要多种技能的复杂、组合式现实世界查询时往往失效。SkillWeaver 的三个阶段——分解（Decompose）、检索（Retrieve）和组合（Compose）——将查询分解、识别候选工具并规划执行。SAD 通过将检索到的技能反馈给大语言模型（LLM），以改善词汇和粒度对齐，从而增强分解过程。这种迭代方法，尤其是结合 SAD，显著提高了分解准确率，特别是在处理复杂任务时。SkillWeaver 的检索与路由策略相比一次性暴露整个工具库，也大幅降低了 token 使用量。开发人员可以使用现有库实现 SAD 和检索组件，但在生产环境中需要单独构建错误恢复机制。