Naukowcy opracowali SkillLens - metodę, która pozwala agentom AI na inteligentniejsze ponowne wykorzystywanie umiejętności i zmniejszenie kosztów obliczeniowych. System działa na zasadzie adaptacyjnego wyboru poziomu szczegółowości, w jakim agent powinien ponownie sięgnąć do już nabytych umiejętności, zamiast za każdym razem przetwarzać wszystkie informacje od zera. To podejście jest szczególnie ważne dla agentów opartych na dużych modelach językowych, gdzie każde wywołanie modelu generuje spore koszty operacyjne i opóźnienia. SkillLens rozpoznaje, że w rzeczywistych zadaniach agent nie zawsze musi dysponować pełną, szczegółową informacją - czasem wystarczy abstrakcyjny szkic wcześniejszej umiejętności, aby działać sprawnie.
Dotychczasowe agenty LLM często działały na zasadzie "wszystko albo nic" - albo ponownie wykonywały całą sekwencję operacji, albo w ogóle jej nie wykorzystywały. SkillLens wprowadza tu elastyczność poprzez wielopoziomową reprezentację umiejętności. System może wybrać, czy zadanie wymaga szczegółowego rozwinięcia procedury, czy wystarczy jej streszczenie, a może wręcz jedynie sygnał, że dana umiejętność już istnieje. Badania pokazują, że to prowadzi do znaczącego zmniejszenia liczby tokenów przetwarzanych przez model, co bezpośrednio przełada się na obniżenie kosztów - zarówno finansowych, jak i środowiskowych związanych ze zużyciem energii.
Praktyczne znaczenie SkillLens polega na tym, że robi agentów AI bardziej pragmatycznymi i skalowalnymi dla biznesu. W miarę jak firmy wdrażają coraz bardziej zaawansowane systemy AI do obsługi klienta, automatyzacji procesów czy analizy danych, każde procent oszczędności na kosztach obliczeniowych znacząco wpływa na rentowność rozwiązań. Metoda otwiera też nowe możliwości dla bardziej złożonych i dłuższych zadań, które wcześniej mogły być zbyt kosztowne do wdrożenia na produkcji. SkillLens pokazuje, że samo zwiększanie rozmiarów modeli to nie jedyna droga do lepszych agentów - czasem wystarczy sprytniejsza architektura.