Die wichtigsten Erkenntnisse
- Token-Effizienz: Der Verbrauch sinkt von 884.000 auf nur 1.160 Token pro Anfrage, bei einem Genauigkeitszuwachs von 50 % bei komplexen Aufgaben.
- Technologie: Framework SkillWeaver basierend auf Skill-Aware Decomposition (SAD), aufgebaut auf dem Modell Qwen2.5 mit 7 Milliarden Parametern.
- Betriebsgrenze: Der Planer kann Laufzeitfehler nicht behandeln; ein API-Fehler in der Mitte der Kette blockiert den gesamten Ausführungsprozess.
Das Problem des Informationsrauschens
Wenn ein Sprachmodell Tausende externer Tools orchestrieren muss, zahlt sich die brachiale Methode nicht aus. Die gesamte Bibliothek verfügbarer Funktionen in einen einzigen Prompt zu packen, erzeugt eine untragbare Last: In Labortests wurden Spitzenwerte von 884.000 Token erreicht, nur damit der Agent die verfügbaren Optionen „sehen" konnte. Es handelt sich um einen Flaschenhals, den SkillWeaver radikal zu beseitigen verspricht, indem der Ansatz von statisch zu dynamisch verändert wird.
Die Logik der Zerlegung
Das Herzstück des Systems ist die Skill-Aware Decomposition. Statt alles zu laden, zerlegt der Algorithmus die Anfrage des Nutzers in einen Ausführungsgraphen mit Knotenpunkten. Für jedes einzelne Teilziel werden ausschließlich die tatsächlich relevanten Tools abgerufen, während Hintergrundrauschen ignoriert wird. Das Ergebnis des Tests, durchgeführt an einem proprietären Benchmark mit 300 mehrstufigen Anfragen unter Nutzung von 2.209 realen Tools aus dem MCP-Ökosystem, spricht eine klare Sprache: Der Verbrauch sinkt auf 1.160 Token, bei einem Genauigkeitssprung von 50 %. Dabei zeigt sich ein relevanter technischer Befund: Große Modelle neigen dazu, Aufgaben ohne eine strukturelle Führung wie SAD in mikroskopisch kleine und überflüssige Schritte zu zerlegen, was die Endleistung verschlechtert statt sie zu verbessern.
Geschlossener Code, offene Vorlagen
Entwickelt in den Laboren von Shanghai, hat das Projekt den vollständigen Quellcode noch nicht veröffentlicht. Die verwendeten Prompt-Vorlagen sind jedoch bereits öffentlich zugänglich und lassen sich mit Standardbibliotheken wie LangChain oder über individuelle Python-Skripte reproduzieren. Es bleibt jedoch eine nicht zu vernachlässigende strukturelle Lücke: Die Fehlerbehandlung zur Laufzeit fehlt im Planer. Schlägt ein API-Aufruf während der Ausführung eines Zwischenschritts fehl, wird die gesamte logische Kette ohne automatisches Wiederherstellungsprotokoll unterbrochen.
