Formal Skill: Programmable Runtime Skills for Efficient and Accurate LLM Agents

arXiv 发布 Formal Skill 论文，提出运行时原生技能方案解决大模型智能体可靠性难题

日前，一篇题为《Formal Skill: Programmable Runtime Skills for Efficient and Accurate LLM Agents》的论文出现在 arXiv 上。该研究直指当前大模型智能体在真实工作场景中的核心矛盾：模型推理能力能否转化为可靠行动，很大程度上依赖工具与技能的编排方式，而现有方案普遍存在“非正式化”的软肋。

现有技能为何“不靠谱”？

论文指出，目前业界采用的 Markdown 技能文档、指令包、函数调用乃至 MCP 协议服务器，要么把执行流程写成冗长的自然语言文档，要么只负责单次动作的结构化，却把工作流状态、策略执行和任务完成的纪律性完全丢在技能之外。这难道不是个大问题？智能体一旦在复杂场景中连续操作，很容易因状态丢失或策略缺位而“跑偏”。

其实，这种非正式技能就像给智能体塞了一堆零散零件，却缺少一套运行时自动拧紧的螺丝刀。论文团队直接点出核心原因：技能本身未能将“工作流状态、策略执行与完成纪律”作为自身原生能力来设计。

Formal Skill 的“形式化”到底强在哪？

既然现有技能不完整，那就造一个原生完整的——这就是 Formal Skill 的设计思路。它被定位为“运行时原生”（runtime-native）的技能体系，意味着从底层就把执行状态、策略约束和任务完成规则编进技能结构里，而非靠外部文字补丁或者函式库临时拼凑。这让智能体在执行技能时，状态切换、规则校验和完成确认都能自动流转，不用靠开发者反复加 If-Else 条件来兜底。

可以说，Formal Skill 的出现是对当前“半手工”技能工程的一次系统性纠偏。它让技能不再是等待被调用的黑盒，而是一个自带“运行规则引擎”的动态构件。

这对 LLM 智能体意味着什么？

如果 Formal Skill 能被广泛采用，智能体在真实 workspace 里的错误率和执行效率可能会迎来显著改善。毕竟，当技能连“做什么、何时停、状态对不对”都能自己管好，模型的推理能力才能真正沉淀为可信赖的行动。现在主流框架依赖的碎片化工具调用模式，凭什么就不能被一个更智能的运行时技能给替代呢？